CN102016730A - 自主自适应半导体制造 - Google Patents
自主自适应半导体制造 Download PDFInfo
- Publication number
- CN102016730A CN102016730A CN2009801045628A CN200980104562A CN102016730A CN 102016730 A CN102016730 A CN 102016730A CN 2009801045628 A CN2009801045628 A CN 2009801045628A CN 200980104562 A CN200980104562 A CN 200980104562A CN 102016730 A CN102016730 A CN 102016730A
- Authority
- CN
- China
- Prior art keywords
- data
- group
- autonomous
- assets
- instrument
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
- Machine Translation (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
提供了一种自主的基于生物学的学习工具系统和该工具系统用来进行学习和分析的方法。自主的基于生物学的学习工具系统包括(a)执行一组特定任务或过程并生成资产和与资产相关的表征各过程和相关联的工具性能的数据的一个或多个工具系统;(b)接收并格式化数据的交互管理器,以及(c)基于生物学习原理的自主学习系统,这样的系统包括被递归地定义并通过网络进行通信的存储器平台和处理平台。自主工具系统可以递归地部署以组装日益复杂的自主工具。在与单独的或组装的复杂自主工具相关联的自主学习系统中生成和累积的知识可以被投放到可用于学习并基于上下文驱动工具目标的语义网络中。
Description
相关申请的交叉引用
本申请要求于2008年3月8日提交的题为“AUTONOMOUS ADAPTIVE SEMICONDUCTOR MANUFACTURING(自主自适应半导体制造)”的美国专利申请第12/044,959号的权益。该申请的全部内容通过引用结合于此。
背景
技术进步已经造成了日益复杂的过程驱动自动化设备。用于实现特定目标或执行特定高度技术性过程的工具系统通常可以包括用于实现该目标或成功地执行该过程的多个功能元件,和收集数据以监视该设备的操作的各个传感器。这样的自动化设备可以生成大量数据。数据可包括与产品或作为特定任务的一部分执行的服务相关的大量信息,但它还可包括与该过程本身的执行相关的相当大的日志信息。
尽管现代电子存储技术可以承受得起保留不断增长的数据量,但对该累积数据的利用仍然远非最优。对所收集的信息进行检查和解释一般需要人类干预,并且尽管有了计算能力方面的进步(如多核处理器、大规模并行平台和处理器网格)以及计算范例方面的进步(如面向对象的程序设计、模块化代码重用、基于web的应用程序和更新近的量子计算),但对所收集的数据的处理仍然是在其中操作该数据的非自主的静态程序性企业方案。更重要的是,在非自主数据处理中,数据不能驱动分析过程本身。作为这样的数据处理范例的结果,自动化设备在高度技术性过程期间生成的数据之间存在的丰富关系中的许多可能被忽视了,除非设计了特定分析并且该特定分析集中于特定类型的关系。更重要的是,可源于由该设备中的不同单元生成的不同数据之间的多个相互关系且可以确定复杂自动化工具或机器的最优性能的新生现象仍然可能被忽视。
因此,存在着对自主的且可以与基于数据之间的关系的范例相一致地分析特定过程的数据并对根据该特定过程产生的资产进行分析的自动化设备的需求,并且其中对该数据的分析可以由围绕该过程或相关联资产本身的数据通过学习来驱动或受其影响,这与人脑操作的方式相似——对与过程或资产相关联的信息的理解受信息本身的影响,一般导致学习和随之发生的分析目标以及分析装置和方法的修订,以改进对该信息和相关联资产的质量的理解。
发明内容
以下提供了本发明的简化概述以提供对本发明的某些方面的基本理解。这一概述不是本发明的广泛概览。它并不旨在标识本发明的关键或重要元素,也不旨在描绘本发明的范围。其唯一目的是以简化的形式呈现本发明的一些概念,作为后面给出的更加详细的描述的序言。
提供了一种自主的基于生物学的学习工具系统和该工具系统用来进行学习的方法。该自主的基于生物学的学习工具系统包括(i)执行例如半导体制造任务等特定任务或者诸如氧化蚀刻或离子注入等过程并生成反映该过程和工具性能的数据的一个或多个工具系统,这些工具系统或者是单独的系统,或者是分层部署的组和集团系统,(ii)接收数据并打包该数据以供进一步使用的交互管理器,以及(iii)基于生物学习原理的自主学习系统;该学习是通过将概念激活散布在一组语义网络中来实现的。该自主学习系统包括可从一组3个功能块中递归地定义的功能结构:存储器平台、处理平台、以及知识通信网络,通过该知识通信网络在存储器和处理平台之间以及在该工具系统和外部动作者(例如,计算机或人主体)之间传递信息。存储器平台包括存储器分层结构,包括用于接收数据印象和相关联的学习指令的情节存储器、用于知识发展的短期存储器、以及存储知识从而将该知识投放到语义网络中的长期存储器。处理平台中的功能单元操作存储在存储器平台中的信息,从而促进学习。这样的构件块和相关联的功能是受生物结构和人脑的行为来启示的。
学习是通过所定义的语义网络中的概念激活来实现的,其中激活阈值是通过组合与每一概念相关联的优先级来规定的。优先级取决于所操纵的概念的类型;即,程序概念拥有基于激活和抑制能量的优先级。
单独的、组或集团自主工具系统利用在自主学习系统中生成和积累的知识,这造成自主的基于生物学的学习工具的多个改进以及各工具系统所制作的资产的多个改进:(a)随时间进展造成较少动作者干预(例如,人类指导和监督)的增加的独立性,(b)增加的输出生产性能(例如,至少部分完成的输出资产)并确保更高的输出质量,(c)向动作者传达可动作信息的数据资产(例如自主系统降级的状况;对故障的根本原因的更好的标识;各单独的部分、工具、工具组、和工具集团以及诸如平均无故障工作时间和平均修理时间等相关联的时标的一组系统故障时间的预测),以及(c)随时间增强的性能——改进的产品或服务在消耗更少资源的情况下以较快速度送达,并且是在降低的工具停机时间的情况下产生的。
为实现上述和相关目的,以下描述和附图详细阐述了所要求保护的主题的某些说明性方面。然而,这些方面仅指示了可采用所要求保护的主题的原理的各种方法中的几种,且所要求保护的主题旨在包括所有这些方面及其等效方面。当结合附图考虑以下所要求保护的主题的详细描述时,所要求保护的主题的其他优点和新颖特征将变得显而易见。
附图详述
图1示出自主的基于生物学的学习工具的高级框图。
图2是根据本文描述的各方面的描绘上下文目标自适应的示图。
图3示出示例的自主的基于生物学的学习工具的高级框图。
图4是用于可采用自主的基于生物学的学习系统的半导体制造的示例工具系统的示图。
图5示出自主的基于生物学的学习系统的示例体系结构的高级框图。
图6A和6B分别示出示例自动机器人组件和示例自动机器人体系结构。
图7示出自主的基于生物学的学习系统的自我意识组件的示例体系结构。
图8是根据本文描述的各方面的在意识工作存储器中操作的示例自动机器人的示图。
图9示出自主的基于生物学的学习系统的自概念化组件的示例实施例。
图10示出自主的基于生物学的学习系统的自优化组件的示例实施例。
图11A和11B示出根据本发明的一方面的分别使用单个预测比较器和两个制法比较器来生成的示例依赖图。
图12示出根据本文描述的各方面的自主的基于生物学的学习工具系统的示例组部署的示图。
图13示出根据本文描述的各方面的自主工具系统的集团部署的示图。
图14示出本发明中描述的自主工具系统的模块化和递归耦合的特征。
图15示出根据本文描述的各方面的评估并报告用于资产生成的多站过程的示例系统。
图16是根据本文阐述的各方面的可分发由工具集团系统自主地生成的输出资产的示例自主系统的框图。
图17示出从设计到制造和到市场营销的、自主地确定的用于资产(例如,已完成的成品、部分完成的产品、...)的分发步骤的示例。
图18呈现根据本文描述的各方面的用于基于生物学的自主学习的示例方法的流程图。
图19呈现根据本说明书中描述的一方面的用于调整概念的情况分数的示例方法的流程图。
图20呈现根据本文阐明的一方面的用于生成知识的示例方法的流程图。
图21呈现根据本文描述的各方面的用于资产分发的示例方法的流程图。
详细描述
现在参考附图来描述本发明,在全部附图中使用相同的附图标记来指示同样的元素。在下面的描述中,出于说明目的阐述了众多具体细节以便提供对本发明的全面理解。然而,显而易见的是,本发明可以在没有这些具体细节的情况下实施。在其他情况下,公知的结构和设备以框图形式示出以便于描述本发明。
如在本说明书中使用的,术语“对象”、“模块”、“接口”、“组件”、“系统”、“平台”、“引擎”、“单元”、“存储”等旨在是指计算机相关实体或与具有特定功能的操作机器相关的实体,该实体可以是硬件、硬件和软件的组合、软件、或执行中的软件。例如,组件可以是,但不限于是,在处理器上运行的进程、处理器、对象、可执行码、执行的线程、程序和/或计算机。作为说明,运行在服务器上的应用程序和服务器都可以是组件。一个或多个组件可以驻留在进程和/或执行的线程中,并且组件可以位于一个计算机内和/或分布在两个或更多的计算机之间。还有,这些组件可以从具有其上存储的数据结构的各种计算机可读介质来执行。组件可通过本地和/或远程过程诸如按照具有一或多个数据分组(例如,来自一个通过信号与本地系统、分布式系统中的另一组件交互和/或跨网络诸如因特网的其它系统交互的组件的数据)的信号来通信。
此外,术语“或”意指包括性“或”而非互斥性“或”。即,除非另有指定或从上下文可以清楚,否则“X使用A或B”意指任何自然的包括性排列。即,如果X使用A;X使用B;或X使用A和B两者,则在任何以上情况下,都满足“X使用A或B”。另外,本申请中和所附权利要求书中所使用的冠词“一”和“一个”一般应被解释为是指“一个或多个”,除非另有指定或从上下文可以清楚指的是单数形式。
参考附图,图1示出示例自主的基于生物学的学习系统100。自适应推断引擎110耦合到目标组件120。有线或无线通信链路115将这些组件相耦合。对于目标组件120所确立或寻求的特定目标,自适应推断组件110接收可用来实现该目标的输入130并传达可表示或记录所寻求或实现的目标的各方面的输出140。另外,自适应推断引擎110可以通过链路155从数据存储150接收数据,并可以将数据或信息存储在这样的数据存储中,例如,所存储的信息可以是通过有线或无线链路165传达的输出140的一部分。应当明白,(i)输入130、输出140、和数据存储150中的数据(以及输入、输出和数据存储中的数据的历史)构成自适应推断引擎110的操作的上下文,以及(ii)该上下文的经由链路115、155和165到该引擎的反馈促进基于上下文的自适应。具体而言,目标组件120可以利用反馈上下文来适应特定的初始目标,并因而确立并寻求所适应的目标。
输入130可被认为是外来数据或信息,其可包括(1)声音,例如语音命令、环境噪声或语音、警报;(2)静态或移动的基于地球的照相机或机载(例如,飞机、卫星)照相机所捕捉的图像,其中照相机可以在辐射频谱的多个区间中操作;(3)生物测定指示符;(4)诸如批量制品、材料样品等标志;可包括指令、记录、测量结果的数据;等等。输出140在本质上可以与输入130基本上相同,并且其可被认为是内在数据。输入和输出140可分别通过可驻留在自适应推断组件110中的输入和输出接口,例如照相机、输入垫、媒体对接站(例如,USB端口、IR无线输入),来接收和传达。如上所示,输入130和输出140可以是自适应推断引擎110的上下文的一部分。另外,作为寻求某一目标的结果,自适应推断引擎110可以请求输入130。
自主的基于生物学的系统100中的各组件可被递归地定义,这可赋予自主系统100使用基本初等组件进行足够程度的有能力的学习复杂性。
每一链路115、155、或165可包括可促进对要传送或接收的数据或信息的操纵的通信接口;可利用数据库来进行数据存储和数据挖掘;并可从动作者接收和向其传达信息。链路115、155、或165的有线实施例可包括双绞线、T1/E1电话线、AC线、光纤线、以及对应的电路,而无线实施例可包括超移动宽带链路、长期进化链路、或IEEE 802.11链路、以及相关联的电子设备。至于数据存储150,虽然它被示为单个元件,但其可以是分布式数据仓库,其中一组数据存储器被部署在不同的物理或逻辑位置中。
在示例系统100中,自适应推断引擎110和目标组件320被示为分开的组件,然而应当明白,这些组件之一可驻留在另一个组件内。
目标组件可以属于一个或多个学科(例如,科学学科、商业学科、艺术学科、文化学科,等等)或企业部门(例如,市场部门、工业部门、研究部门、能量部门、公共策略部门,等等)。另外,因为目标通常可以是多学科性的且集中于多个市场,所以目标组件可以在一个或多个特定学科或部门内建立多个不同的目标。为寻求某一目标,目标组件可包括功能组件和监视组件。用于实现某一目标的特定操作是通过功能组件来实现的,而与该目标的实现相关的变量的情况是由监视组件来确定的。另外,功能组件可以确定可由目标组件120实现的目标空间。目标空间包括可用特定功能达到的基本上所有目标。应当明白,对于某一功能组件所提供的特定功能,特定目标的上下文自适应可以使目标空间中的第一目标适应第二目标。目标空间中的初始目标可由一个或多个动作者来确定;其中动作者可以是机器或人主体(例如,最终用户)。应当注意,初始目标可以是一般化的高级目标,因为自适应推断引擎110可以通过目标漂移来驱动目标组件120到达复杂的详细目标。接下来示出目标、目标组件、以及目标自适应。
图2是描绘上下文目标自适应的示图200。目标(例如,目标2101或目标2103)通常可以是与目标组件(例如,组件120)的功能相关联的抽象。目标可以是高级抽象:“退休储蓄”、“保住利润”、“被款待”、“学习烹饪”、“去某地旅行”、“开发数据库”、“制造产品”,等等。另外,目标可以更加具体细化,如“年收入范围处于$60,000-$80,000内早日进行退休储蓄”、“在淡季从美国到日本旅行,旅行成本包括住宿不超过$5000”、或“到达面试地点以将一35分钟的演示传递给预期雇主的一群同事”。此外,目标(例如,2101)拥有相关联的上下文(例如,2201)。如上所示,耦合到自适应推断引擎110的目标组件120一般与所确立的目标(例如,目标2101或目标2103)兼容。例如,目标“制造产品”(例如,目标2101)可依赖于采用用于制造该产品的标准或自定义规范的制造工具系统,如分子束外延反应器(示例目标组件120)。在这一目标(例如,目标2101)的实现期间,输出140可包括所制造的产品。另外,自适应推断组件(例如,组件110)可基于如可由工具系统规范生成的上下文等上下文(例如,上下文2201)或目标组件中的监视组件所收集的数据来适应(例如,自适应2301)“制造产品”目标(例如,目标2101)。具体而言,初始高级目标(例如,目标2101)可以被适应成“制造半导体器件”(例如,目标2102)。如上所示,目标组件120可包括用于实现目标的多个功能组件。另外,目标组件120可以是模块化的,其中在适应目标时可包括目标子组件。作为示例,寻求“制造产品”目标的目标组件可包括耦合到大规模并行智能计算平台的多市场评估和预测组件,该平台可分析各市场中的市场情况以使目标适应(例如,2301)“制造利用分子电子组件的多核处理器”(例如,目标210N)。应当注意,这样的自适应可涉及多个中间自适应2301-230N以及中间适应目标2102-210N-1,其中中间自适应基于从先前寻求的目标生成的中间上下文2201-220N。
在目标、目标组件和目标自适应的另一例示中,目标可以是“在商店B购买电影A的DVD”,目标组件120可以是具有包括自适应推断引擎110的导航系统的车辆。(应当注意,在该例示中,自适应推断引擎110驻留在目标组件120中。)动作者(例如,车辆操作者)可以输入或选择商店B的位置,并且目标组件可以生成用于实现该目标的指示。在当动作者向商店B行进时自适应推断引擎110接收到该商店B已经停止进货电影A的输入130的情况下(例如,RFID读取器更新库存数据库并且将更新消息广播给组件110),自适应推断引擎110可以(i)请求标识电影A有现货的商店C的附加输入330,(ii)评估动作者可用以到达商店C的资源,以及(iii)评估动作者对实现该目标的兴趣级别。如(i)-(iii)所示,基于通过输入130发展的经修改的上下文,目标组件可以接收用于使目标适应“在商店C购买电影A的DVD”的指示。
应当明白,自适应推断引擎110可以建立与目标组件120所确定的目标相关联的子目标。子目标可以通过使自适应推断引擎能够实现补充性任务或学习与该目标相关联的概念来促进实现该目标。
作为总结,自主的基于生物学的系统100是具有上下文目标自适应的目标驱动系统。应当明白,基于接收到的上下文的目标自适应对输入信息分析引入了附加自适应层以生成可动作的信息输出140。(a)适应信息或数据分析的过程以及(b)基于上下文来适应初始目标的能力使该系统大规模地自适应或自主。
图3示出示例自主的基于生物学的学习工具300的高级框图。在实施例300中,该自主学习系统包括工具系统310和传感器组件325,工具系统310包括向工具系统赋予其特定功能并可包括单个功能工具组件或基本上相同或不同的功能工具组件的集合的功能组件315,传感器组件325可以探查与该工具所执行的诸如半导体晶片的热处理等过程相关的若干可观察量并生成与该过程相关联的资产328。包括诸如生产过程数据或测试运行数据等数据资产的所收集的资产328可被传达给交互组件330,交互组件330包括可担当用于接收资产328的接口的适配器组件335、可处理接收到的资产328的交互管理器345、以及可存储接收到的和经处理的数据的数据库355。交互组件330促进工具系统310与自主的基于生物学的学习系统360的交互。可以接收与在工具系统310所执行的过程中生成的数据相关联的信息并将其增量式地提供给自主学习系统360。
自主的基于生物学的学习系统360包括存储接收到的信息358(例如,数据、变量和相关联的关系、因果图、模板,等等)的存储器平台365,该接收到的信息358可经由知识网络375传递到可操作该接收到的信息的处理平台385并可通过知识网络375将经处理的信息传递回存储器平台365。自主学习系统360的组成组件通常可类似大脑的生物方面,其中存储器与处理组件联网以操纵信息并生成知识。另外,知识网络375可以从交互组件330接收并向其传达信息,交互组件330可经由交互管理器345将该信息传递到工具系统310或动作者390。在自主学习系统360接收、存储、处理并传达信息358时,可以在工具系统310和依赖于它的动作者中实现多个改进。即,改进包括(a)自主学习系统360和工具系统310随时间进展变得日益独立并需要较少动作者干预(例如,人类指导和监督),(b)自主系统改进其对动作者的输出的质量(例如,对故障的根本原因的更好标识,或在系统故障发生之前对其进行预测),(c)自主学习系统360随时间改进其性能——自主系统360以较快的速度送达经改进的结果并消耗较少的资源。
存储器平台365包括功能存储器组件的分层结构,其可被配置成存储在工具系统310的初始化和配置(例如先验知识)期间接收到的知识(例如,信息358)。先验知识可以通过交互组件330作为信息输入358来传达。另外,存储器平台365可以存储(a)用于在工具系统310的初始化/配置之后训练自主学习系统360的训练数据(例如,信息输入358),以及(b)自主学习系统360所生成的知识;该知识可以通过交互组件330经由交互管理器345传达给工具系统310或动作者390。
例如人主体等动作者390所提供的信息输入358(例如,数据)可包括标识与过程相关联的变量、两个或多个变量之间的关系、因果图(例如,依赖图)、或情节信息的数据。这样的信息可以促进在学习过程中对自主的基于生物学的系统360进行指导。另外,在一个方面,这样的信息输入358可被动作者390认为是重要的,并且重要性可以与该信息同工具系统310所执行的特定过程之间的相关性有关。例如,氧化蚀刻系统的操作者(例如,动作者390是人主体)可以确定蚀刻速率对制造过程的结果是很重要的;因此,蚀刻速率可以是传递到自主学习系统360的一个属性。在另一方面,动作者390所提供的信息输入358可以是提示,由此作出学习过程变量之间的特定关系的指示。作为示例,提示可以传达学习工具系统310中的沉积室中的在特定沉积步骤中的压力动态的建议,该压力动态作为室容积、排气压力、以及进气流的函数。作为另一示例,提示可以指示学习室压力的详细时间关系的指示。这样的示例提示可以激活自主学习系统中的可以学习多个过程变量上的压力的函数依赖性的一个或多个功能处理单元。此外,这样的提示可以激活可应用所学功能并将其与动作者390可用的模型或经验功能进行比较的一个或多个功能单元。
例如半导体制造工具等工具系统310可以是复杂的,并且因此不同的动作者可以通过不同类型的特定的完整或不完整的知识来专攻制造和操作该工具系统。作为示例,例如工具工程师等人主体可以知道不同的气体具有不同的分子量并且因此可以产生不同的压力,而过程/工具工程师可以知道如何将从第一气体得到的压力读数转换成从第二气体得到的等效压力;这样的知识的初等示例可以是将压力读数从一个单位(例如,Pa)转换成另一个单位(例如,lb/in2或PSI)。自主的基于生物学的学习系统中存在的附加类型的一般的、更复杂的知识可以是工具系统的各特性(例如,室容积)与该工具系统中执行的测量(例如,在该室中所测量的压力)之间的函数关系。例如,蚀刻工程师知道蚀刻速率取决于蚀刻室中的温度。为允许知识的多样性和这一知识可能不完整的事实,动作者(例如,诸如最终用户等人主体)可以通过多种程度的所传达的知识来指导自主学习系统360:(i)未指定知识。动作者没有向自主学习系统发出指导,(ii)基本知识。动作者可传达工具系统的各特性与该工具系统中的测量之间的有效关系;例如,动作者传达蚀刻速率(κE)与过程温度(T)之间的不带进一步细节的关系(例如,关系(κE,T)),(iii)带所标识的输出的基本知识。为补充工具系统特性与工具系统测量之间的关系,动作者可以提供关系中的因变量的具体输出(例如,关系(输出(κE,T),T))。(iv)关于关系的部分知识。动作者知道工具系统特性与测量之间的数学等式的结构以及相关因变量和自变量(例如,不带k1或k2的具体值的κE=k1e-k2/T)。然而,动作者可能不知道该关系的更多相关联的常数之一的精确值,(v)完整知识。动作者拥有函数关系的完整数学描述。应当注意,这一指导可以随时间增量式地提供,因为自主学习系统360进化并尝试自主地学习工具函数关系。
知识网络375是根据已确立的优先级来传递信息(例如,数据)或传输功率的知识总线。该优先级可以由一对信息源和信息目的地组件或平台来确立。另外,优先级可以基于所传送的信息(例如,这一信息必须实时分发)。应当注意,优先级可以是动态的而非静态的,并且根据自主学习系统360中的学习发展并且鉴于自主的基于生物学的学习工具300中存在的一个或多个组件的一个或多个需求而变化——例如,可识别出问题情况并且作为响应可保证并实现通信。经由知识网络375的通信以及功率传输可以通过有线链路(例如,双绞线链路、T1/E1电话线、AC线、光纤线)或无线链路(例如,UMB、LTE、IEEE 802.11)来实现,并可以在功能平台(例如,存储器平台365和处理平台385)内的各组件(未示出)之间或在不同平台中的各组件(例如,与另一自我意识子组件进行通信的自我意识存储器平台中的组件)之间发生,或者该通信可以在各组件(例如,与概念化组件进行通信的意识组件)之间。
处理平台385包括对信息进行操作的功能处理单元。处理单元接收或检索特定类型的输入信息(例如,诸如数字、序列、时间序列、函数、类、因果图等特定数据类型)并执行计算以生成特定类型的输出信息。输出信息可经由知识网络375被传达给存储器平台365中的一个或多个组件。在一方面,功能处理单元可以读取并修改存储在存储器平台335中的数据结构或数据类型实例,并可以在其中存放新数据结构。在另一方面,功能处理单元可以提供对各数字属性的调整,这些属性诸如适合性、重要性、激活/抑制能量、以及通信优先级。每一功能处理单元具有动态优先级,其确定对信息进行操作的分层结构;较高优先级单元比较低优先级单元更早地操作数据。在操作特定信息的功能处理单元未能生成新知识(例如,学习),如生成区分与工具系统310的操作相关联的不良运行和良好运行的排名号或排名函数的情况下,可以降低与该功能处理单元相关联的优先级。相反,如果生成了新知识,则提高该处理单元的优先级。
应当明白,处理平台385通过确定了优先次序的功能处理单元来模拟人类倾向以在特定情况下(例如,特定数据类型)尝试第一操作,如果该操作生成新知识,则在后续基本相同的情况下使用该操作。相反,在第一操作未能产生新知识的情况下,降低使用第一操作来处理这一情况的倾向并且利用第二操作(例如,散布激活)。如果第二操作未能生成新知识,则降低其优先级并且使用第三操作。处理平台385继续使用操作,直至生成新知识为止,并且另一操作获得较高优先级。
在一方面,动作者390可以向自主学习系统360提供工艺制法参数、指令(例如,离子注入晶片的退火周期的温度配置、半导体的汽相沉积中的快门打开/关闭序列、离子注入过程中离子束的能量、或溅射沉积中的电场大小)以及初始化参数。在另一方面,动作者可以提供与工具系统310的维护相关联的数据。在又一方面,动作者390可以生成并提供工具系统310所执行的过程的计算机仿真的结果。在这一仿真中生成的结果可以用作用于训练自主的基于生物学的学习系统的训练数据。另外,仿真或最终用户可以将与过程相关联的优化数据交付给工具系统370。
自主学习系统360可以通过一个或多个训练周期来训练,每一训练周期可以用来将该自主的基于生物学的学习系统300发展成(i)能够在无需外部干预的情况下执行更多数量的功能;(ii)在诊断制造系统健康根本原因的根本原因时提供更好的响应,如改进的准确度或正确性;以及(iii)提高性能,如更快的响应时间、降低的存储器消耗、或改进的产品质量。训练数据可以经由适配器组件335或通过交互管理器345提供给自主学习系统,在训练数据是从与在工具系统310中的过程校准或标准运行相关联的数据328收集的情况下,这一数据可被认为是内部的。在训练数据是从数据库365中检索的情况下(例如,与通过外部探头进行的外部测量相关的数据,或工具系统310中的修理干预的记录),这一训练数据可被认为是外部的。在训练数据是由动作者提供的情况下,数据是通过交互管理器345传达的并且可被认为是外部的。基于内部或外部训练数据的训练周期促进自主学习系统360学习工具系统310的预期行为。
如上所示,功能组件315可包括多个功能工具组件(未示出),这些组件与工具专用半导体制造能力相关联,并且可使该工具能够用于(a)制造半导体衬底(例如,晶片、平面板、液晶显示器(LCD),等等),(b)进行外延汽相沉积或非外延汽相沉积,(c)促进离子注入或气体束离子注入,(d)执行等离子体或非等离子体(干或湿)氧化蚀刻处理,(e)实现平版印刷过程(例如,照片平版印刷、电子束平版印刷,等等),等等。工具系统310还可以嵌入在炉;用于在受控电化学环境中进行操作的曝光工具;平面化设备;电镀系统;用于光、电、和热性质的测试设备,其可包括寿命(通过操作周期)测量;计量工具、晶片清洁机等等之中。
在工具系统310所进行的过程中,包括传感器组件325的传感器和探头可以取决于所收集的数据的预期使用而通过具有不同复杂程度的各种传感器和技术来收集关于不同物理性质(例如,压力、温度、湿度、质量密度、沉积速率、层厚度、表面粗糙度、结晶取向、掺杂浓度,等等)以及机器特性(阀孔径或阀角度、快门打开/关闭操作、气体流、衬底角速度、衬底取向,等等)的数据(例如,数据资产)。这样的技术可包括但不限于包括X光衍射、透射电子显微(TEM)、扫描电子显微(SEM)、质谱测量、曝光评估、磁电运输测量、光性质测量,等等。与产品(例如,半导体衬底)相关的附加数据资产是发展检查(DI)临界尺寸(CD)和最终检查(FI)CI。应当明白,探头可以在工具系统310外部并可以通过接口组件(未示出)来访问。例如,这样的外部探头可以提供DI CI和FI CI。应当明白,这样的数据资产328高效地表征工具系统310所制造或制作的输出资产或物理产品。
在一方面,传感器组件325中的数据源可以耦合到适配器组件335,其可被配置成以模拟或数字的形式来收集数据资产328。适配器组件335可以促进根据在自主学习系统310中对数据的预期使用在将数据存放到存储器平台365中之前对在所运行的过程中收集的数据368进行合成或分解。适配器组件335中的适配器可以与传感器组件325中的一个或多个传感器相关联,并能以特定频率或在其他特定条件下对该一个或多个传感器进行读数。外部数据源适配器可以具有拉取数据以及传递从工具外部拉取的数据的能力。例如,MES/历史数据库适配器知道如何查阅MES数据库来提取各自动机器人(autobot)的信息并将该数据打包/存放在工作存储器中以供自主系统的一个或多个组件使用。作为示例,适配器组件335可以在该工具处理晶片时一次一个晶片地收集晶片级运行数据。随后,适配器组件335可以批量地合并各单独的运行以形成“批次级数据(lot-level-data)”、“维护时间间隔数据”,等等。或者,如果工具系统310输出批次级数据的单个文件(或计算机产品资产),则适配器组件335可以提取晶片级数据、步骤级数据,等等。此外,分解的数据元素可以与工具系统300的一个或多个组件相关;例如,传感器组件325中的压力控制器所操作的变量和时间。在如上所述对接收到的数据328进行处理或打包之后,适配器组件335可以将经处理的数据存储在数据库355中。
数据库355可包括源于以下各项的数据:(i)工具系统370,通过传感器组件325中的传感器所执行的测量,(ii)制造执行系统(MES)数据库或历史数据库,或(iii)例如动作者390执行的半导体晶片制造的仿真等工具系统310的计算机仿真中生成的数据。在一方面,MES是可以测量并控制制造过程、可以跟踪设备可用性和状况、可以控制库存、并可以监视警报的系统。
应当明白,工具系统310所制作的产品或产品资产可以通过交互组件330传达给动作者390。应当明白,产品资产可以由动作者390分析并且所得信息或数据资产可以传达给自主学习系统360。在另一方面,交互组件330可以经由适配器组件335执行对产品资产328的分析。
另外,应当注意,在实施例300中,交互组件340和自主学习系统360被部署在工具系统310外部。可以实现自主的基于生物学的学习工具300的替换部署配置,如嵌入式部署,其中交互组件340和自主的基于生物学的学习系统310可驻留在工具系统370内的单个特定工具组件中;例如,单嵌入式模式,或一群工具组件中;例如,多嵌入式模式。这样的部署替换方案能以分层方式来实现,其中自主学习系统支持形成工具群组或工具集团的一组自主学习工具。这样的复杂配置在以下详细讨论。
接下来,结合图4来讨论说明性工具系统310,并且参考图5-9来详细呈现并讨论自主的基于生物学的学习系统360的示例体系结构。
图4是可以使用自主的基于生物学的学习系统360来监视、分析、并改进操作的示例半导体制造系统400的示图。具体而言,系统400是可例示以上结合图3讨论的工具系统310的热显影和涂敷系统。系统400包括加载/卸载部分405、处理部分410、以及接口部分415。在一方面,加载/卸载部分405具有衬底舱(cassette)台420,各自都存储多个半导体衬底的衬底舱425在该台上被加载到系统400中或从中卸载。处理部分410具有用于一个接一个顺序地处理衬底的各单个衬底处理单元。接口部分415可以促进对多个探头和传感器进行访问以获得质量保证、过程发展、就地根本原因分析。所收集的数据(例如,数据368)可通过接口组件传达给自主的基于生物学的学习系统。
在一方面,处理单元410包括拥有冷却单元(COL)435、对准单元(ALIM)440、粘结单元(AD)445、扩展单元(EXT)450、两个预烘焙单元(PREBAKE)455、以及两个后烘焙单元(POBAKE)460的第一处理单元组430,这些单元从底部顺序地堆叠。另外,第二处理单元组465包括冷却单元(COL)435、扩展冷却单元(EXTCOL)470、扩展单元(EXT)475、第二冷却单元(COL)435、两个预烘焙单元(PREBAKE)455、以及两个后烘焙单元(POBAKE)460。冷却单元(COL)435和扩展冷却单元(EXTCOL)470可以在低处理温度下工作并被安排在较低阶段,而预烘焙单元(PREBAKE)455、后烘焙单元(POBAKE)460以及粘结单元(AD)445可以在高温度下工作并被安排在较高阶段。有了这一安排,可以降低各单元之间的热干扰。或者,这些单元可具有替换或附加安排。预烘焙单元(PREBAKE)455、后烘焙单元(POBAKE)460、以及粘结单元(AD)445各自包括其中将衬底加热到高于室温的温度的热处理装置。在一方面,温度和压力数据可以通过接口组件340从预烘焙单元455、后烘焙单元460、以及粘结单元445来提供给自主的基于生物学的学习系统360。衬底的旋转速度和位置数据可以从对准单元440来传达。
图5示出自主的基于生物学的学习系统的示例体系结构500的高级框图。在实施例500中,自主学习系统360包括包含长期存储器(LTM)510、短期存储器(STM)520、以及情节存储器(EM)530的各功能存储器组件的分层结构。这样的功能存储器组件中的每一个可以通过知识网络375来进行通信,其如结合图3的讨论中描述的那样来操作。另外,自主学习系统360可包括自动机器人组件540,其包含具有与结合处理平台385描述的那些功能单元基本上相同的特性的、被标识成自动机器人的功能处理单元。应当注意,自动机器人组件540可以是处理平台385的一部分。
此外,自主学习系统360可包括包含自我意识组件550、自概念化组件560、或自优化组件570的一个或多个主功能单元。第一前馈(FF)循环552可担当前向链路并可在自我意识组件550与自概念化560之间传递数据。另外,第一反馈(FB)循环558可担当逆向链路并可在自概念化组件570与自我意识组件550之间传递数据。类似地,可分别通过第二FF循环562和第二FB循环568来实现自概念化组件560与自优化组件570之间的前向链路和逆向链路数据通信。应当明白,在FF链路中,数据可以在传递到接收该数据以进一步处理该数据的组件之前进行转换,而在FB链路中,下一数据元素可由接收该数据的组件在对其进行处理之前来进行转换。例如,通过FF链路552传送的数据可由自我意识组件550在将该数据传递到自概念化组件560之前进行转换。还应当明白,FF链路552和562可以促进组件550与组件570之间的间接数据通信,而FB链路568和558可以促进组件570与组件550之间的间接数据通信。另外,数据可以通过知识网络375在组件550、360、以及370之间直接传达。
长期存储器510可以存储在工具系统的初始化或配置期间通过交互组件330所提供的、用于在初始化/配置之后训练自主学习工具系统300知识(例如,先验知识)。另外,自主学习系统360所生成的知识可被存储在长期存储器510中。应当明白,LTM 510可以是存储器平台365的一部分并且因而可以显示其基本上相同的特性。长期存储器510一般可以包括包含与各工具系统组件(例如,制造组件、探查组件,等等)、关系、以及过程有关的信息的知识库。知识库的至少一部分可以是描述或分类数据类型(例如,分类成序列、平均值、或标准差)、数据类型之间的关系、以及用于将第一组数据类型转换成第二组数据类型的过程的语义网络。
知识库可包含知识元素,或概念。在一方面,每一知识元素可以与两个数字属性相关联:知识元素或概念的适合性(ξ)和惯性(ι),这些属性共同确定概念的优先级。这两个数字属性的定义明确的函数,例如加权和、几何平均值,可以是概念的情况分数(σ).例如,σ=ξ+ι。知识元素的适合性可以被定义成知识元素(例如,概念)与工具系统或目标组件在特定时间的情况的相关性。在一方面,具有比第二元素更高的适合性分数的第一元素或概念与具有较低适合性分数的第二元素相比可以与自主学习系统360的当前状态和工具系统310的当前状态更加相关。知识元素或概念的惯性可被定义成与该知识元素的利用相关联的难度。例如,低第一惯性值可被赋予数字元素,可以向数字列表赋予高于第一值的第二惯性值,数字序列可以具有高于第二值的第三惯性值,而数字矩阵可以具有高于第三值的第四惯性值。注意,惯性可以应用于其他知识或信息结构,如图、数据库中的表、音频文件、视频帧、代码片段、代码脚本,等等;后一些项基本上全都可以是输入130的一部分。本发明提供适合性和惯性的可影响检索并应用知识元素的可能性的定义明确的函数。具有最高情况分数的概念是要呈递给短期存储器520以供处理单元处理的最可能的概念。
短期存储器520是临时存储,其可用作工作存储器(例如,工作空间或高速缓存)或者用作与特定算法或过程相关联的协作/竞争操作或自动机器人可在其中操作数据类型的位置。STM 520中包含的数据可以拥有一个或多个数据结构。STM 520中的这样的数据结构可以作为自动机器人和规划器超级机器人(überbot)(例如,专用于规划的自动机器人)所实现的数据转换的结果来变化。短期存储器305可以包括数据、交互管理器345所提供的学习指令、来自长期存储器310的知识、一个或多个自动机器人或超级机器人所提供和/或生成的数据、和/或动作者390所提供的初始化/配置命令。短期存储器520可以跟踪用于对其中所存储的数据进行变换的一个或多个自动机器人和/或超级机器人的状态。
情节存储器530存储可包括可与一过程相关联的动作者标识的一组参数和概念的情节。在一方面,情节可包括外来数据或输入130,并且其可以向自主学习系统100提供具体上下文。注意,情节通常可以与在寻求一目标时(例如,由工具系统110、目标组件120、或自主学习系统160)所标识或生成的特定场景相关联。标识情节的动作者可以是人主体,如工艺工程师、工具工程师、现场支持工程师,等等,或者其可以是机器。应当明白,情节存储器530类似人情节记忆,其中与特定场景—例如,情节—相关联的知识可以存在并可访问,而无需重新收集造成该情节的学习过程。情节的引入或定义通常是训练周期的一部分或基本上任何外来的输入供应,并且其可以造成自主的基于生物学的学习系统360对于学习表征可存在于与情节相关联的数据中的数据模式、或输入模式的尝试。所表征的与一情节相关联的数据模式可以结合该情节和情节的名称来存储在情节存储器530中。将情节添加到情节存储器530可以造成对可在由工具系统310或一般而言由目标组件120所进行的过程中的一组参数进入该情节所定义的操作范围时变得活动的情节专用自动机器人的创建;在识别出与所寻求的目标或过程相关联的第一特征时,情节专用自动机器人接收足够的激活能量。如果参数满足通过接收到的情节所建立的准则,则情节专用自动机器人将该情节中的数据模式与当前可用数据进行比较。如果工具系统310或目标组件的当前情况(由识别出的数据模式所定义的)与所存储的情节相匹配,则生成警报以确保工具维护工程师可以知道这一情况,并可以采取预防动作来减轻对功能组件315或传感器组件325或工具过程中使用的材料的附加损害。
自动机器人组件540包括对输入数据类型(例如,矩阵、向量、序列,等等)执行特定操作的自动机器人库。在一方面,自动机器人存在于自动机器人语义网中,其中每一自动机器人可以具有相关联的优先级;自动机器人的优先级是其激活能量(EA)与其抑制能量(EI)的函数。自动机器人组件540是自动机器人的有组织的储存库,其可包括用于自我意识组件550、自概念化组件560、自优化组件570的自动机器人以及可参与各组件之间和各存储器单元之间的数据转换和传递的附加自动机器人。自动机器人可以执行的特定操作可包括序列平均;序列排序;第一和第二向量之间的标积;第一矩阵和第二矩阵的乘法;相对于时间的时间序列导数;序列自相关计算;第一和第二序列之间的互相关操作;函数在基本函数完备集中的分解;时间序列数字数据流的小波分解,或时间序列的傅立叶分解。应当明白,取决于输入数据可以执行附加操作;即,图像中的特征提取,声音记录、或生物测定指示符、视频帧压缩、环境声音或语音命令的数字化,等等。自动机器人所执行的操作中的每一个可以是转换一个或多个输入数据类型以产生一个或多个输出数据类型的有名函数。在自动机器人组件540中对于其存在自动机器人的每一函数可以处理LTM中的元素,使得超级机器人可以基于总“注意广度”和自主学习系统360的需求来作出自动机器人激活/抑制能量决策。与自主学习系统360类似,自动机器人组件540中的自动机器人可以随时间改进其性能。自动机器人中的改进可包括生产结果(例如,输出)的更好质量、更好的执行性能(例如,更短的运行时间、执行较大计算的能力,等等),或特定自动机器人的输入域的增强范围(例如,包括该自动机器人可以操作的附加数据类型)。
LTM 510、STM 520以及EM530中存储的知识—概念和数据—可以由主功能单元来使用,其将其功能的一部分赋予自主的基于生物学的学习系统360。
自我意识组件550可以确定工具系统310的第一可接受操作状态与稍后时间的其中工具系统降级了的后续状态之间的工具系统降级水平。在一方面,自主学习系统360可以接收表征可接受操作状态的数据和与以这样的可接受状态制作的产品资产相关联的数据;这样的数据资产可以被标识成规范数据。自主的基于生物学的学习系统360可以处理该规范数据,并且相关联的结果(例如,关于重要参数的统计、一个或多个参数中观察到的漂移、与工具参数相关的预测功能,等等)可以由自我意识组件550存储并用于同作为信息输入358来提供的数据(例如,生产过程数据或测试运行数据)进行比较。如果规范数据的所生成的学习结果与设备过程运行数据之间的差很小,则制造系统降级可被认为是很低的。或者,如果规范数据的所存储的学习结果与样本过程数据之间的差很大,则工具系统(例如,半导体制造系统)存在显著的降级水平。显著的降级水平可以造成过程、或目标上下文调整。本文描述的“降级”可以从降级向量(Q1,Q2,...,QU)来计算,其中降级向量的每一分量Qλ(λ=1,2,...,U)是可用数据集的不同观点——例如,Q1可以是多变量均值,Q2是相关联的多变量偏差,Q3是一过程步骤中的特定变量的一组小波系数,Q4可以是预测压力与测得压力之间的平均差,等等。正常训练运行产生每一分量的特定一组值(例如,训练数据资产),其可以与使用来自每一组件的运行数据(例如,运行数据资产)生成的分量Q1-QU进行比较。为评估降级,可以使用合适的距离度量来比较运行降级向量距其在{Q}空间中的“正常位置”的(例如,欧几里得)距离;这样的欧几里得距离越大,工具系统被认为降级越多。另外,第二度量可以是计算两个向量之间的余弦相似性度量。
自概念化组件560可被配置成构建对重要的工具系统310关系(例如,一个或多个工具行为功能)和描述(例如,关于所请求的以及所测量的参数的统计、各参数对降级的影响,等等)的理解。应当明白,关系和描述也是数据,或软资产。该理解是由自主学习系统360(例如,通过源于输入数据的推断和上下文目标自适应;推断可以例如经由多变量回归或诸如遗传算法等进化程序设计来实现)自主地建立的,或通过动作者390(例如,人主体)所提供的指导来建立。自概念化组件560可以构造对工具系统310或一般而言是目标组件类组件120的单个参数的行为的功能描述,如半导体制造系统中的沉积室中的在特定沉积步骤期间作为时间的函数的压力。另外,自概念化组件560可以学习与工具系统相关联的行为,如一组特定输入信息358上的因变量的函数关系。在一方面,在存在特定气体流、温度、排气阀角度、时间等的情况下,自概念化组件560可以学习给定容积的沉积室中的压力动态。此外,自概念化组件560可以生成可用于预测目的的系统关系和属性。从所学习的行为中,自概念化组件可以学习表征一正常状态的关系和描述。这样的正常状态通常由自主学习系统360用作相对于观察器工具行为的变型与其进行比较的基准状态。
自优化组件570可以基于预测值(例如,基于自概念化组件560所学习的函数依赖或关系的预测)和测量值之间的工具系统310偏差水平来分析自主的基于生物学的学习系统300的当前健康或性能,以基于自主学习系统360所收集的信息来标识(a)工具系统360的潜在故障原因,或(b)工具系统降级的根本原因的一个或多个源。自优化组件570可以随时间学习自主学习系统360最初是否不正确地标识了故障的错误的根本原因,学习系统300允许输入维护日志或用户指导来正确地标识实际根本原因。在一方面,自主学习系统360利用贝叶斯推断来更新用于其诊断的基础,并且进行学习以改进将来诊断准确度。或者,可以适应优化计划,并且所适应的计划可以存储在优化情况历史中以供后续检索、采用、以及执行。此外,对工具系统310所进行的过程或一般而言目标组件120所寻求的目标的一组自适应可以通过优化计划来获得。自优化组件570可以使用数据反馈(例如,通过链路565、555、以及515所实现的循环)来发展可促进过程或目标优化的自适应计划。
在实施例500中,自主的基于生物学的学习系统360还可包括规划器组件580和系统上下文组件590。功能存储器组件510、520、和530的分层结构以及主功能单元550、560、和570可以通过知识网络375与规划器组件580和系统上下文组件590进行通信。
规划器组件580可以使用并包括自动机器人组件540中的更高级自动机器人。这样的自动机器人可被标识为规划器超级机器人,并可实现对各种数字属性的调整,如适合性、重要性、激活/抑制能量、以及通信优先级。规划器组件580可以例如通过创建一组规划器超集机器人来实现严格的、直接的全局策略,该组规划器超集机器人可以通过在短期存储器505和特定自动机器人中可用的特定知识来迫使在短期存储器520中操纵特定数据类型或数据结构。在一方面,规划器组件580所创建的自动机器人可以存放在自动机器人组件540中,并且可以通过知识网络375来利用。作为替换或补充,规划器组件580可以根据自主学习系统360的当前上下文、工具系统310的当前条件、短期存储器520的内容(其可包括可在该内容中操作的相关联的自动机器人)、以及对各自动机器人的利用成本/收益分析来实现间接全局策略。应当明白,本发明的自主的基于生物学的学习工具300可以提供对规划器组件的动态扩展。
规划器组件580可以担当可确保在自主的基于生物学的工具300中的过程或目标自适应不导致其降级的管理组件。在一方面,管理特征可以通过直接全局策略经由基于所规划的过程或目标自适应来推断操作条件的管理超级机器人来实现。这样的推断可以通过管理超级机器人所操作的数据类型的语义网络来实现,并且该推断可以通过成本/收益分析来支持或实现。应当明白,规划器组件580可以保存目标空间的特定区域内的目标漂移,其可以减轻对例如工具系统310等目标组件的特定损害。
系统上下文组件590可以捕捉使用自主学习系统360的自主的基于生物学的学习工具300的当前能力。系统上下文组件590可包括状态标识符,状态标识符包括(i)与内部能力程度(例如,工具系统310在进行某一过程(或寻求目标)时的有效性程度、在进行该过程时所使用的一组资源、最终产品或服务的质量评估(或所寻求目标的结果)、设备的交付时间,等等)相关联的值,以及(ii)指示自主学习工具300的状态的标记或标识符。例如,该标记可以指示诸如“初始状态”、“训练状态”、“监视状态”、“学习状态”、或“应用知识”等状态。能力程度可由所确定的范围内的数字值或度量来表征。此外,系统上下文组件590可包括自主学习系统360在特定时间间隔期间所执行的学习的总结以及可根据所执行的学习来实现的可能过程或目标自适应的总结。
图6A示出示例自动机器人组件540。自动机器人6151-615N表示自动机器人和超级机器人的库,每一个都具有特定动态优先级6251-625N。自动机器人6151-615N可以与存储器(例如长期或短期存储器或者情节存储器)进行通信。如上所示,自动机器人的优先级是由自动机器人的激活能量和抑制能量来确定的。在可由自动机器人处理的数据处于STM中时,该自动机器人(例如,自动机器人6151或615N)(通过超级机器人)获得激活能量。自动机器人(例如,自动机器人6152)激活能量和抑制能量的加权和,例如∑=wAEA+wIEI,可以确定该自动机器人何时可激活其自身来执行其功能任务。自动机器人在∑>Ψ时自激活,其中ψ是预定的内置阈值。应当明白,本发明的自主的基于生物学的学习工具300可以提供对自动机器人的动态扩展。
图6B示出自动机器人的示例体系结构650。自动机器人660可以是自动机器人组件340中包括的基本上任何自动机器人。功能组件663确定并执行自动机器人660可以对输入数据执行的操作的至少一部分。处理器666可以执行自动机器人660所执行的操作的至少一部分。在一方面,处理器666可以担当功能组件663的协处理器。自动机器人660还可以包括其中先前执行的操作的一组结果的内部存储器669。在一方面,内部存储器担当存储与操作、EA和EI的当前和先前值、自动机器人的操作历史的日志等等相关联的输入数据的高速缓存存储器。内部存储器669还可在向自动机器人600反馈或传播回特定类型和量的错误时促进自动机器人660学习如何改进即将来临的结果的质量。因此,自动机器人660可以通过一组训练周期来被训练成以特定方式操纵特定输入数据。
自动机器人(例如,自动机器人660)还可以在以下方面是自描述的:自动机器人可指定(a)该自动机器人可操纵或需要的一个或多个输入数据类型,(b)该自动机器人可以生成的每一数据类型,以及(c)对输入和输出信息的一个或多个约束。在一方面,接口672可以促进自动机器人660自描述,并且因此向超级机器人表达该自动机器人的可用性和能力,以供超级机器人根据特定工具场景向自动机器人提供激活/抑制能量。
图7示出了自主的基于生物学的学习系统的自我意识组件的示例体系结构700。自我意识组件350可以确定相对于工具系统(例如,工具系统310)中的所学习的正常状态的当前降级水平。降级可以起源于多个源,诸如工具系统中的磨损或机械部分;发展制法(例如,数据资产)的不正确操作或试验性操作或可迫使工具系统在一个或多个最优范围外操作的过程;工具系统的不正确定制;或对维护时间表的不适当坚持。自我意识组件550可以通过(i)存储器分层结构,例如可以作为存储器平台365的一部分的意识存储器,(ii)诸如意识自动机器人等可驻留在自动机器人组件540中并可作为处理平台385的一部分的功能操作单元,以及(iii)一组意识规划器来递归地组装或定义。基于降级水平,自主学习系统360可以分析可用数据资产328以及信息358来对可能的故障进行排序。在一方面,响应于过多降级水平,例如工具系统故障,动作者(例如,现场工程师)可以执行一个或多个维护活动,如对室进行清洁、更换聚焦环,等等。在成功修理了工具系统的情况下,例如通过恢复与系统故障之前的的降级相一致的降级水平所确定的,维护活动之前的相关联的征兆(例如,数据资产和模式、关系、以及从这一组合中提取的基本上任何其他类型的理解)可由自主学习系统360来保留。因此,在即将来临的其中通过从数据资产自主地收集的新理解和降级分析标识了所学习的征兆的情况下,可以重放所存储的修理计划,降低成本并改进平均修理时间(MTTR)。
意识工作存储器(AWM)710是可包括被标识为意识传感存储器(ASM)720的可用来存储例如信息输入358等数据的特殊存储器区域的STM,该数据可源于传感器组件325中的传感器或源于动作者390,可由适配器组件335中的一个或多个适配器打包,并可通过知识网络375来接收。自我意识组件550还可包括多个特殊功能自动机器人,它们可驻留在自动机器人组件540中并包括意识规划器超级机器人(AP)。
另外,自我意识组件550可包括意识知识存储器(AKM)730,其是LTM的一部分,并可包括与自我意识组件550的操作相关的多个概念—例如,属性;诸如类或因果图等实体;关系;或过程。在一方面,用于半导体制造工具的自我意识组件550可包括域专用概念,如步骤、运行、批次、维护时间间隔、湿清洁周期等,以及通用概念,如数字、列表、序列、集合、矩阵、链路等等。这些概念可以输入较高级抽象,例如晶片运行可被定义成已排序的步骤序列,其中步骤既具有制法参数设置(例如,所需值)也具有一个或多个步骤测量。此外,AKM 730可包括可链接两个或多个概念的函数关系,如平均值、标准差、范围、相关、主成分分析(PCA)、多尺度主成分分析(MSPAC)、小波函数或基本上任何基函数等。应当注意,多个函数关系可能适用于同一概念并且因此与其相关;例如一列数字通过平均值(这是函数关系)和标准差关系,以及最大值关系等等被映射到真实数字实例。在从一个或多个实体到另一实体的关系是函数或泛函(例如,函数的函数)时,可以存在可由超级机器人执行以实现该函数的相关联的过程。对概念的精确定义可以用诸如UML、OMGL等合适的数据方案定义语言来表达。还应当注意,AKM 730的内容可以在不关闭系统的情况下在(工具系统)运行时动态地扩充。
AKM 730中的每一概念,如本文描述的知识库中的任何概念,可以与适合性属性以及惯性属性相关联,从而造成该概念的具体情况分数。最初,在向自主系统提供数据之前,AKM 730中的所有元素的适合性值是0,但所有概念的惯性可以是工具无关的并且可以由动作者来分配,或基于历史数据(例如,数据库355中的数据)。在一方面,从一组数字中产生平均值的过程的惯性基本上是低的(例如,ι=1),因为平均值的计算可被认为是可适用于基本上所有涉及所收集的数据集或来自计算机仿真的结果的情况的非常简单的操作。类似地,可转换一组数字的最大化和最小化过程可被赋予非常低的惯性值。或者,计算范围和计算标准差可以被赋予较高惯性值(例如,ι=2),因为这些知识元素更加难以应用,而计算PCA可以显示较高级别的惯性并且计算MSPCA可以具有更加高的惯性值。
情况分数可以用于确定从AKM 730和AWM 710之间传递哪一(些)概念(参见下文)。超过情况分数阈值的知识元素或概念有资格被传达给AWM710。这些概念可以在以下情况下传达:AWM 710中存在用于保留该概念的足够的可用存储并且没有具有尚未被传达给AWM 710的更高情况分数的不同概念。AWM 710中的概念的适合性并且因而概念的情况分数可以随时间进展而衰减,这可允许在已处于存储器中的一个或多个概念不再需要或不再适用的情况下具有更高适合性的新概念进入意识工作存储器710。注意,概念的惯性越大,该概念被传达给AWM 710以及从中移除所花的时间越长。
在工具系统状态改变时,例如更换溅射目标、添加电子束枪、沉积过程完成、启动现场探头、退火阶段完成等等,意识规划器550超级机器人可以记录哪些概念(例如,知识元素)可应用于该新状态,并可增加AKM 730中的每一这样的概念的适合性值并且因而增加其情况分数。类似地,自动机器人6151-615N的激活能量可以由超级机器人来调整以降低特定自动机器人的激活能量并增加适用于新情况的自动机器人的EA。适合性(以及情况分数)的递增可以由规划器超级机器人散布给这些概念的第一邻居并随后散布给第二邻居,以此类推。应当明白,AKM 730中的第一概念的邻居可以是在拓扑结构意义上处于根据所选度量(例如,跳数、欧几里得距离,等等)距该第一概念特定距离的第二概念。注意,第二概念距接收到原始适合性增量的第一概念越远,第二概念的适合性增量越小。因此,适合性(以及情况分数)增量呈现了作为“概念距离”的函数的阻尼散布。
在体系结构500中,自我意识组件550包括意识调度适配器(ASA)760,其可以是意识规划器组件750的扩展,并可(例如,通过交互组件330经由传感器组件325,经由输入130,或经由(反馈)链路155)请求和实现集合外来数据或内在数据中的改变。在一方面,意识调度适配器760可以引入数据采样频率调整——例如,其可以调整适配器组件335中的不同适配器向知识网络375传达旨在用于ASM 720的数据(例如,信息输入358)的速率。此外,意识调度适配器760能以低频率来采样或基本上排除与以下两种变量相关联的数据集合:正常数据模式的描述中未涉及的过程变量,或从在自适应推断引擎中接收到的数据推断的未能使目标实现提前的变量。相反,ASA 760能以较高频率对正常数据模式中广泛使用的或可积极地使目标提前的一组变量进行采样。此外,在自主学习系统360确认状态工具系统310的变化(或与特定目标相关联的情况的变化)时,其中数据指示产品质量或过程可靠性逐渐偏离正常数据模式(或目标漂移导致显著偏离目标空间中的初始目标),自主学习系统可以经由ASA 760请求更快速的数据采样以收集可有效地确认降级并相应地触发适当的警报的更大量的可动作信息(例如,输入130)。在一方面,目标组件可以将目标漂移总结显示给输入初始目标的动作者;例如可以在预算自适应之后向电子店铺中的在购买家庭娱乐系统时显著背离初始花费目标的顾客显示具有计划开支的变化的日志;或可以在目标自适应之后向数据库建筑师显示与存储器空间相关联的成本和相关联的基础结构以优化数据仓库。
动作者390(例如,人主体)可以用多种方式训练自我意识组件550,其可包括一个或多个情节的定义(包括例如成功地适应的目标的说明)。自主学习系统360通过自我意识组件550针对某一情节的训练可如下发生。动作者390创建情节并向该情节提供唯一名称。随后将新创建情节的数据给予自主学习系统360。该数据可以是用于在工具系统的单个特定操作步骤期间的特定传感器的数据、单个特定步骤期间的一组参数、用于运行的单个参数平均值等。
作为替换或补充,动作者390可以提供更初等的指导。例如,现场支持工程师可以对工具系统310执行预防性工具维护(PM)。PM可以周期性地计划和发生,或其可以是未经计划的或异步的。应当明白,可以响应于自主学习系统360的请求、响应于日常预防性维护、或响应于未安排的维护来对制造系统执行预防性工具维护。连续的PM之间消逝了一定的时间间隔,在这样的时间间隔期间,一个或多个过程(例如,晶片/批次制造)可以在工具系统中发生。通过数据和产品资产和相关联的信息,诸如所实现的规划器和未经计划的维护,自主学习系统可以推断“故障周期”。因此,自主学习系统可以使用资产328来推断平均无故障工作时间(MTBF)。这样的推断是通过作为临界数据和产品资产的函数的故障时间的模型来支持的。此外,自主学习系统360可以通过作为信息I/O 358接收到的不同资产之间的关系或通过从专家动作者所传递的监督训练会话得到的历史数据来发展模型。应当明白,专家动作者可以是与所训练的不同自主学习系统不同的动作者。
动作者390可以通过通知该系统其可以对晶片级运行数据求平均并评估临界参数跨PM时间间隔的漂移来指导自主系统。自主系统还可以执行更具挑战性的训练,其中动作者390通过学习指令来向自主学习系统360指示学习表征在每一未经计划的PM之前晶片平均级的数据模式。这样的指令可以促进自主学习系统360学习未经计划的PM之前的数据模式,并且如果意识自动机器人可以标识数据模式,则自我意识组件550可以随时间进展来学习这样的模式。在学习某一模式期间,意识组件550可以从自概念化组件560或位于自动机器人组件540中的意识自动机器人请求协助(或服务)。当在高置信度(例如,通过PCA分解的系数中反映的模式的可再现性程度、K-集群算法中的主集群的大小、或根据一组不同参数和时间对第一参数的大小的预测等等来测量的)的情况下学习了工具系统的模式,自主的基于生物学的学习系统360可以创建与故障相关联的基准情节,该基准情节可造成对工具维护的需求以便可以在该基准情节发生之前触发警报。注意,可驻留在自动机器人组件540中的意识自动机器人可能在必要之前未能完全表征故障基准情节的数据模式或可能需要未经计划的维护的基本上任何特定情况。应当明白,无论如何,工具系统310的这样的预防性健康管理,其可包括深度行为和预测性功能分析,都可以由自概念化组件560中的自动机器人来执行。
图8是可以在意识工作存储器520中操作的自动机器人的示图800。所示自动机器人——量化器815、期望引擎825、意外分数生成器835、以及总结生成器845——可以构成意识引擎;虚拟新兴组件,其新兴性质源于例如自动机器人815、825、835和845等各初等组成的协调操作。应当明白,意识引擎是一个或多个规划超级机器人可如何使用协调自动机器人集合来执行复杂活动的示例。规划超级机器人使用各个自动机器人(例如,平均值、标准差、PCA、小波、导数等)或自概念化组件560的服务来表征自主的基于生物学的学习系统中接收到的数据的模式。每一步骤、运行、批次等运行的数据可由外部实体来在训练期间标识为正常或异常的。量化器815可由规划超级机器人用来使用正常数据学习原型的正常过程的数据模式。另外,量化器815可以评估存放到ASM 720中的未标记数据集(例如,信息输入358)并将正常数据模式与未标记数据的数据模式进行比较。用于使用正常数据来预测参数的正常数据或等式的期望模式可以通过期望引擎825来存储和操纵。应当注意,未标记数据的模式可以根据多个度量在各方面与正常数据模式不同;例如,可能超过Hotelling T2静态的阈值(应用于PCA和MS-PCA并从训练运行导出的);未标记数据集的数据子集的平均值可与用正常的训练运行数据来计算的平均值相差超过3σ(或其他预定偏差间隔);所测量的参数的漂移可以与在同正常运行相关联的数据中观察到的参数漂移显著不同;等等。总结生成器845因而生成正常数据的各分量的向量,而意外分数生成器835可以合并该向量的各分量的所有这些差并对这些差进行排序或充分加权,并计算工具系统的反映该工具系统的健康状况且反映该工具系统“距正常有多远”的净降级意外分数。应当明白,正常与未标记度量之间的差异可根据时间来变化。因此,通过收集增加量的正常数据,自主学习系统360可以随时间进展在更大统计置信度水平的情况下学习各种操作限制并可以相应地调整制造工艺制法(例如,目标)。通过意外分数测量的降级情况例如可以经由总结生成器845来报告给动作者。
图9示出自主的基于生物学的学习系统的自概念化组件的示例实施例900。自概念化组件的功能是构建对重要半导体制造工具关系和描述的理解。这样的理解可以用于调整制造过程(例如,目标)。这一获得的理解是自主地构建的或结合最终用户(例如,动作者390)提供的指导来构建的。与其他主功能组件550和560类似,自概念化组件570根据存储器分层结构、操作单元、或自动机器人、以及规划器来递归地组装或定义;这样的组件可以通过启用优先级的知识网络进行通信。
实施例900示出包括自概念化组件570的操作所必需的各个概念(例如,属性、实体、关系、以及过程)的概念化知识存储器(CKM)910。CKM 910中的概念包括(i)域专用概念,如步骤、运行、批次、维护时间间隔、湿清洁周期、步骤测量、晶片测量、批次测量、晶片上的位置、晶片区域、晶片中心、晶片边缘、第一晶片、最后晶片等;以及(ii)通用的域无关概念,如数字、常数(例如,e、π)、变量、序列、时间序列、矩阵、时间矩阵、细粒度行为、粗粒度行为,等等。自概念化组件还包括大量通用函数关系,如加、减、乘、除、平方、立方、幂、指数、对数、正弦、余弦、正切、误差等等,以及可呈现各种水平的细节并驻留在自适应概念化模板存储器(ACTM)920中的其他域专用函数关系。
ACTM 920是CKM 910的扩展,其可持有与工具系统310(例如,半导体制造工具)进行交互的动作者(例如,最终用户)完全或部分知道的函数关系。应当注意,尽管ACTM是CKM的逻辑扩展,但自动机器人、规划器、以及其他功能组件不受这一分隔的影响,因为实际存储器存储可以表现得是自概念化组件560中的单个存储单元。自概念化组件560还可包括概念化目标存储器(CGM)930,其是概念化工作存储器(CWM)940的扩展。CGM 930可以促进当前目标的自动机器人例如学习(f、压力、时间、步骤);对于特定过程步骤,学习压力的函数f,其中该函数取决于时间。应当注意,学习函数f表示可促进实现使用工具系统310制造半导体器件的目标的子目标。
ACTM 920中的概念还具有适合性数字属性和惯性数字属性,这可产生情况分数。惯性值可以指示一概念被学习的可能性。例如,矩阵概念的较高的惯性值和时间序列概念的较低的惯性值可造成其中自概念化组件560可以学习时间序列的功能行为而非矩阵中的数据的功能行为的情况。与自我意识组件500类似,具有较低惯性的概念更可能从CKM 910传达给CWM 940。
概念规划器(CP)根据当前上下文、工具系统310(或一般而言是目标组件120)的当前状态、CWM 940的内容、或CWM 940中活动的当前自动机器人向各自动机器人提供激活能量并向CKM 910和ACTM 920中的各个概念提供情况能量。应当明白,激活能量和情况能量变化可造成基于作为CWM 940或CKM 910中的概念的已变化的语义网络的结果所生成(例如,基于学习)的知识的目标自适应——自适应推断引擎的推断可以基于各个概念的传播方面。
CTM 920的内容是可描述上述知识的概念,并且因而这些概念可具有适合性和惯性数字属性。CTM 920的内容可由自动机器人用来学习工具系统310的功能行为(服从以下约束:具有较低惯性的概念比具有较高惯性的概念更可能被激活)。所有指导不必都具有相同的惯性;例如,即使两个概念都表示完整功能,也可以向第一完整功能提供比第二完整功能低的惯性。
在将诸如部分定义的等式等部分知识上传到CWM 940中时,其可使用已有知识来完成-CP协调自动机器人来使用可用数据以首先标识未知系数的值。一组特别系数因而可以完成该部分定义的等式概念,使其成为完整功能概念。完整等式概念随后可以用于预构建函数关系概念,如加、乘,等等。具有输出的基本知识(例如,关系(输出(KE),T))可促进CWM 940中的自动机器人构造并评估涉及KE和T的数据的各函数描述以标识可描述KE和T之间的关系的最佳函数。或者,不带输出的基本知识可促进自动机器人在CP的协助下将一变量指定为输出(即,因变量)并尝试将其表达为其余变量的函数。在未找到良好的函数描述的情况下,替换变量可被指定为因变量,迭代该过程直至其收敛至适当的函数关系或自主学习系统360例如向动作者390指示未找到适当的函数关系为止。所标识的良好函数关系可以被提交给CKM 910以由自主学习系统360中的具有CP所分配的惯性水平的自动机器人来使用。例如,所分配的惯性可以是所标识的关系的数学复杂度的函数——可以向两个变量之间的线性关系分配比分配给涉及多个变量、参数、以及算子(例如,梯度、拉普拉斯算子、偏导,等等)的非线性关系的惯性更低的惯性值。
概念化引擎945可以是可呈现意识自动机器人与概念化自动机器人的协调活动的“虚拟组件”。在一方面,自我意识组件550可以将一组变量(例如,该组中的变量可以是显示良好的成对相关性质的那些变量)前馈到(通过FF循环552)自概念化组件560。所转发的信息可以促进自概念化组件560检查CKM 910和ACTM 920以寻找函数关系模板。模板的可用性可以允许可驻留在概念化引擎945中的概念化学习器(CL)的自动机器人更快地学习所转发的组中的各变量之间的功能行为。应当明白,学习这样的功能行为可以是主目标的子目标。CL自动机器人在CP自动机器人的帮助下还可以使用概念化确认器(CV)的自动机器人。CV自动机器人可以评估所提出的函数关系的质量(例如,预测值与测量之间的平均误差处于仪器分辨率之内)。CL自动机器人可自主地或通过动作者提供的指导来独立地学习函数关系;这样的动作者提供的指导可被认为是外来数据。CL所学习的函数可作为一组感兴趣的变量来(例如,经由FB链路558)反馈回自我意识组件550。例如,在学习了函数KE=K0exp(-U/T)之后,其中K0(例如,渐近蚀刻速率)和U(例如,激活势垒)拥有CL所知道的特定值,自概念化组件560可以将指导组(输出(KE,T))反馈回自我意识组件550。这样的反馈通信可以使自我意识组件550能够学习关于这样一组变量的模式以便快速地识别相对于该组变量的降级,并且如有必要则生成并触发警报(例如,警报总结、经验证的警报接收列表)。存储器960是概念化情节存储器。
应当注意与CL和CV相关的以下两方面。第一,CL可以包括可简化等式(例如,通过符号操纵)的自动机器人,这可便于将函数关系作为简洁的数学表达式来存储。作为示例,关系P=((2+3)Φ)((1+0)÷θ)被简化成P=3Φ÷θ,其中P、Φ和θ分别指示压力、进气流、和排气阀角度。第二,在确定函数关系的质量时,CV可以将等式结构的复杂性计算在内——例如,对于具有基本上相同特性的参数,如预测值对测量的平均误差,可能偏好较简单的等式来代替较复杂的等式(例如,较简单的等式可具有较低概念惯性)。
另外,信息从自我意识组件550到自概念化组件560的重要的FF 552通信以及从自概念化组件560到自我意识组件550的FB 550通信可以涉及意识自动机器人和概念化自动机器人的协作以表征一情节的数据模式。如以上结合图5所讨论的,在自我意识组件550未能学习到情节时,自概念化组件560可以通过提供一组相关函数关系来协助自我意识组件550。例如,情节的表征可能需要对工具系统310中的过程运行中的稳定化步骤中的压力的时间依赖性的细粒度描述。自概念化组件560可以构造稳定化步骤中的压力的这一详细(例如,逐秒)时间依赖性。因此,通过FB循环558,自我意识组件550可以学习表征在正常工具情况下的稳定化步骤期间的压力的模式并将所学习的压力时间依赖性与特定情节数据中的压力模式进行比较。作为说明,在情节中存在数据的稳定化步骤之前所测量的压力中的毛刺以及正常工具操作期间的压力数据中没有毛刺可以作为标识情节在自主的基于生物学的学习工具300中的出现的数据模式来检测。
类似地,对未安排的PM的预测可依赖于工具系统数据的临界测量的时间波动的知识和自概念化组件570所传达的一组预测功能的可用性。在其中预测取决于作为时间的函数的一组变量的计划值的情况下,预测功能可协助自我意识组件(例如,组件550)来预测未经计划的PM的新兴情况。
图10示出自主的基于生物学的学习系统的自优化组件的示例实施例1000。如上所示,自优化组件功能是分析工具系统310的当前健康(例如,性能),并基于当前健康分析的结果来诊断工具系统310的健康恶化的基本上所有潜在原因或对这些原因进行排序,并基于自主学习系统360所获得的学习来标识根本原因。与其他主功能组件550和560类似,自优化组件570是从属于存储器平台365的存储器分层结构和可作为处理平台385的一部分的自动机器人及规划器来递归地构建的。
优化知识存储器(OKM)1010包含与对工具系统310的行为的诊断和优化相关的概念(例如,知识)。应当明白,行为可包括目标或子目标。因此,OKM 1010包含域(即目标)专用概念,如步骤、步骤数据、运行、运行数据、批次、批次数据、PM时间间隔、湿清洁周期、工艺制法、传感器、控制器,等等。后一些概念与制造半导体器件的工具系统310相关联。另外,OKM 1010包括域无关概念,其可包括读数(例如,来自传感器组件325中的压力传感器的读数)、序列、比较器、情况、情况索引、情况参数、原因、影响、因果依赖性、证据、因果图,等等。此外,OKM 1010可包括一组函数关系,如比较、传播、秩、求解,等等。这样的函数关系可以由自动机器人来使用,其可驻留在自动机器人组件540中并可通过执行各过程来向OKM 1010赋予其功能的至少一部分。存储在OKM 1010中的概念拥有适合性数字属性和惯性数字属性,以及从中导出的情况分数属性。适合性、惯性以及情况分数的语义与自我意识组件550和自概念化证据560的语义基本上相同。因此,如果向运行数据提供比步骤数据更低的惯性,则自优化组件570规划器(例如,超级机器人)更可能将运行数据的概念从OKM 1010传递到优化工作存储器(OWM)1020。进而,运行数据与步骤数据之间的这样的惯性关系可以增加操作运行相关概念的优化自动机器人的激活速度。
应当注意,通过FF链路552和562,自我意识组件550和自概念化组件560可以通过可驻留在优化规划器组件1050中的优化规划器(OP)来影响存储在OKM 1010上的概念的情况分数和优化自动机器人的激活能量。应当明白,存储在OKM 1010中且通过自我意识组件550和自概念化组件560来影响的各个概念可以确定要根据特定上下文来优化的特定目标的各方面。作为说明,如果自我意识组件550识别出过程步骤的数据模式显著降级,则可以增加相关联的步骤概念的情况分数。因此,OP随后可以向与该步骤概念相关的优化自动机器人提供附加激活能量以修改在一过程期间(例如,在寻求目标时)执行的一组步骤。类似地,如果自概念化组件560标识了批次产品、从自概念化组件560接收到的(例如,经由FF 562)FF信息的各工具测量之间的新函数关系,则自优化组件570可以增加(1)批次概念的情况分数以及(2)具有依赖于批次概念的功能的优化自动机器人的激活能量;从而,修改批次概念的各方面(例如,批次中的晶片的数量或类型、批次的成本、批次中利用的资源,等等)。
如接下来讨论的,工具系统310的健康评估可以通过诊断引擎825来执行。应当注意,健康评估可以是制造过程的子目标。诊断引擎825自主地创建依赖图并允许动作者390扩充该依赖图。(这样的依赖图可被认为是外来数据或内在数据。)根据工具系统310所进行的过程的动态性以及可由动作者390设计的诊断计划,可以增量式地传达因果图。例如,因果图可以示出“压力”故障是由四个原因之一引起的:沉积室有泄漏,进入室中的气体流有误,排气阀角度(其控制气体流的大小)有误,或压力传感器有错。工具系统310的组件具有先验故障概率(例如,室泄漏发生概率是0.01,气体流有误的概率是0.005,等等)。另外,动作者390或自概念化组件560可以定义可被表达成条件概率的压力故障的条件依赖性;例如,在室有泄漏的情况下压力有故障的概率可以是p(P|泄漏)。一般而言,有原因地涉及工具故障源的条件概率可由动作者390来提供。应当注意,自主学习系统360假定动作者390所定义的概率分配可以是近似估计,这在许多情况下与物理概率(例如,观察结果所支持的实际概率)显著不同。接下来结合图11A和11B在以下呈现并讨论因果图的示例。
自优化组件570还可包括可通过与工具360相关联的信息I/O 358生成关于工具系统360的性能的一组预测的预测组件1060。这样的信息可包括功能组件所使用的材料的质量,工具系统360所产生的产品资产328的物理性质,如折射率、光吸收系数、或在产品资产328掺杂了载流子的情况下的磁电传送性质,等等。预测组件1060可以使用多种技术。这些技术包括与可由自我意识组件在处理信息358时使用的那些技术基本上相同的第一表征技术;即,诸如(i)利用傅里叶变换、伽伯变换、小波分解、基于统计技术的非线性滤波、光谱相关的频率分析;(ii)利用时间相关光谱性质(其可以由传感器组件325来测量)、诸如Poincaré图和Lyapunov光谱技术等非线性信号处理技术的时间分析;(iii)真实空间或信号空间向量幅度和角度波动分析;(iv)异常预测技术等等。通过分析(i)、(ii)、(iii)或(iv)生成的信息和数据资产可以用诸如神经网络推断、模糊逻辑、贝叶斯网络传播、如遗传算法等进化算法、数据融合技术等预测技术来补充。分析和预测技术的组合可用来通过标识传感器组件325所探查的特定资产或性质中的生病倾向以及OKM 101中可用的信息,来使用优化规划器组件1050所生成的合适的纠正措施和可驻留在组件540中的优化自动机器人促进工具系统310的优化。
图11A示出自概念化组件530所生成的示例因果图900。因果图表示数学函数的因变量和自变量之间的关系,或自概念化组件530所预测的关系。作为示例,通过访问压力(P)、气体流(Φ)、以及阀角度(θ)的数据,自概念化组件530可以使用诸如曲线拟合、线性回归、遗传算法等一个或多个数学技术来概念化或学习作为数据输入或自变量(气体流、阀角度、温度、湿度等)的函数的、感兴趣的变量或因变量(例如压力)的输出的预测函数1110。示例的所学习的预测函数1110可以是压力与两个输入变量Φ和θ之间的以下关系:P=2π(Φ/θ3)。从这样的所学习的函数,自概念化组件530自主地构造依赖图900。
为了生成依赖图1100,自概念化组件530可以在两个步骤中进行。(i)引入比较器1120作为根节点,其接收单个所学习的函数1110作为输入。比较器1120中的不合格暗示了采用基于生物学的自主学习系统的工具(例如,工具系统310)中的故障。比较器不合格可以是可基于将压力的测量值与通过所学习的函数1110生成的预测值进行比较的布尔值(例如,“合格/不合格”1130)结果。在预测压力值与所收集的压力数据(例如,驻留在传感器组件378中的压力传感器所报告的压力数据)之间的平均差未能保持处于用户指定的界限内时——例如,平均差要保持处于预测压力的5%以内,自概念化组件530对比较器1120中的失败进行标志。使比较器1120的不合格依赖于预测函数1110的输出。因此,比较器不合格取决于压力读数(PR 1140)的不合格(或受其影响);这可能因为压力传感器(PS 1143)故障或物理压力(例如,物理量PP 1146)故障而不合格。物理压力PP 1146可能因为压力机构(PM 1149)故障而不合格。因此,该系统自主地创建PR 1140与{PS 1143,PP 1146}之间以及PP 1140与{PM1149}之间的依赖性。
(ii)所学习的函数1110中的因变量被用来如下完成依赖图。在气流读数(ΦR 1150)不合格或阀角度读数(θR 1160)(它们是所学习的函数1110中的因变量)不合格时,物理机构PM 1149可能发生故障。因此,自概念化组件530创建PM 1149与{ΦR 1150,θR 1160}之间的依赖性。自概念化组件530可以使用对读数不合格的基本上相同的处理或推理来创建ΦR 1150与{ΦS 1153,ΦP 1156}之间的依赖性以及θR 1160与{θS 1163,θP 1166}之间的依赖性。自概念化组件530随后可以添加ΦP 1156与{ΦM 1159}之间的依赖性以及θP与{θM}之间的依赖性。应当注意,物理量(例如,PP 1146、ΦP 1156、θP 1166)与相关联的机构(例如,PM 1149、ΦM 1159、θM 1169)之间的关系是冗余的并且被呈现来增强清晰度——机构节点(例如,节点1149、1159和1169)可被移除并且其子节点可以作为相关联的物理量节点(例如,节点1146、1156和1169)的子节点。
在诸如依赖图900等依赖图中,叶级节点是物理故障点;例如,节点1140、1143、1146和1149;节点1140、1153、156和1159;以及1160、1163、1166和1169。在一方面,动作者(例如,动作者390,其可以是用户)可以提供向生物学上的自主学习系统提供所有物理故障点的先验概率。这样的先验概率可以从该组件的制造规范、现场数据、MTBF数据等中获得,或可以通过制造工具中存在的且在相关制造处理中有涉及的各部分的性能的仿真来生成。动作者还可以提供基于先前体验、判断、现场数据以及可能的故障模式(例如,第一故障的存在可消除第二故障的概率,或第一故障可增加第二故障发生的概率,等等)的条件概率。在例如经由诸如组件340等交互组件接收到先验概率和条件概率后,自主系统可以使用带有学习的贝叶斯网络传播来基于提交给该自主系统的实际故障数据来更新概率。因此,在动作者所提供的初始概率有错的情况下,在现场数据同故障结果相抵触或支持故障结果时,自主系统调整概率;即,比较器的合格或不合格结果。
应当注意,动作者(例如,动作者390,其可以是用户)可以向以机构故障为根的自主生成的依赖图(例如,依赖图900)添加的依赖性。这样的添加可以例如通过交互管理器355来实现。在一方面,作为说明,使用被标记为P泄漏1170和P替换1173的造成PM 1149对{ΦR 1150,θR 1160,P泄漏1170,以及P替换1173}的依赖性的两个节点来扩充依赖图1100。可以明白,依赖图1100也可以使用更深的图来扩充。添加节点P泄漏1170通过自概念化组件530向自主系统通知除气体流读数或阀角度读数不合格之外,在工具中存在泄漏的情况下,压力机构也可能发生故障。节点P替换1173在其表示替换泄漏的机构造成系统故障的可能性方面是节点1170的补充。在添加了节点或更深的图后,动作者将分配节点的先验概率和描述依赖性的相关联的条件概率。
应当明白,所学习的函数可比上述函数P=F(Φ,θ)更加复杂,并可包括基本上更多的自变量;然而,可以用基本上相同的方式来准备因果图。
图11B是用预测和制法比较器所学习的示例函数依赖图的示图1180。除所学习的函数比较器(例如,比较器120)之外,基于生物学的自主学习系统可以生成一个或多个制法比较器。制法比较器(例如,比较器A 1195A或比较器B 1195B)将一组制法参数值与源于工具系统(例如,工具系统370)中的相关联传感器的对应的平均测量值或读数进行比较。在一方面,给定具有相关联的传感器和对应的规定值的一组制法参数(例如,θ1185A或Φ 1185B),自主系统为每一组参数生成制法比较器。与预测函数比较器类似,如果该组制法值和读数相差可由动作者(例如,动作者390)确定的特定阈值,则制法比较器用信号通知不合格。应当注意,在示图1180中,没有生成用于压力的制法比较器,因为工艺压力未被设定成特定值。
为了标识根本原因,例如具有最高故障概率的物理故障点,基于生物学的自主学习系统可以利用一个或多个预测器或制法比较器的不合格来对依赖图中存在的所有物理故障点进行排序。在一方面,对于具有一个或多个比较器的完整依赖图,基于生物学的自主学习系统可以使用贝叶斯推断来传播给定比较器的不合格特征时的概率。因此,该系统可以计算每一比较器的特定合格/不合格结果(例如,比较器A 1195A的结果1198A或比较器B 1195B的结果1198B)的不合格概率。作为示例,假定预测器比较器1120和制法比较器A 1195A不合格而比较器B 1195B合格。该自主系统可以计算给定比较器不合格时每一物理故障点的故障概率。(例如,给定比较器1195A和比较器A 1195A不合格而比较器B 1195B合格时,压力传感器故障的概率是什么)。随后从最可能发生故障(计算得到的最高概率)(即最可能的根本原因)到最不可能发生故障(计算得到的最低概率)来对每一故障点进行排序。对根本原因(其可被认为是可动作智能(例如,输出140))的标识可以经由交互管理器传达给动作者以供进一步处理;例如,定购新零件、请求维护服务(动作者与工具的制造位置进行通信或处于该位置)、下载软件更新、调度新训练会话,等等。
图12示出自主的基于生物学的学习工具系统的示例组部署的高级框图1200。自主工具系统组12201-1220K可由接收(输入)并向接口330传达(输出)信息358的自主的基于生物学的学习工具360来控制,接口330便于动作者390与自主工具系统组12201-1220K并与自主学习系统360进行交互。自主工具系统12201-1220K中的每一个单独地由相关联的自主学习系统1250来支持或协助。这样的学习系统拥有与学习系统360基本上相同的功能。应当明白,在组1210中,自主工具12201-1220K中的每一个分别可以承担与相关联的局部动作者3901-390K的独立交互。这样的动作者拥有与如以上结合图3所讨论的动作者390基本上相同的功能。另外,与自主工具12201-1220K的交互以与自主系统300基本上相同的方式通过交互组件1240并通过提供和接收工具专用信息(例如,12481-1248K)和资产来发生,这两者通常都是工具系统专用的(例如,资产12501-1250K)。具体而言,应当明白,在组部署1212中,动作者3901-390K中的每一个都可以监视其相关联的系统工具(例如,系统工具12202)的操作的不同方面。作为示例,局部动作者3901-390K可以确立一组特定输出(例如,12601-1260K)为临界的。这样的判定可以基于历史数据或设计(例如,工艺的制法),或其可以通过所生成的模式、结构、关系等来自主地起源。在缺少这样的判定的情况下,自主学习系统组360假定基本上所有的输出(例如,12601-1260K),从而造成群输出1265是临界的。
在一方面,自主学习系统360可以在正常(例如,非故障)工具组1200操作期间学习(通过以上结合系统300描述的学习机制)临界输出参数的期望值。在一方面,在测量输出1265偏离预期输出时,自主学习系统360可以将组1200性能的性能度量标识为已降级。应当明白,后一评估可以按与结合单个自主工具系统300描述的基本上相同的方式来进行;即,通过自主学习系统360中的自我意识组件。注意,即使自主工具组1200可以呈现降级的性能,自主工具系统12201-1220K的子集也可以提供未降级且满足预定度量的各单独的期望值的输出。
另外,与单个工具系统(例如,工具系统310)的场景类似,自主学习系统360可以根据各单独的工具相关输出参数来构造临界输出参数的预测模型。应当明白,这样的输出参数可以通过资产328输入/输出来收集。注意,在工具组1200中,可经由位于工具系统12201-1220K中的每一个中的传感器组件来使工具输出(例如,12601-1260K)的测量对自主的基于生物学的学习系统360可用,其可以通过在每一自主学习系统(例如,360或1250)中存在的所部署的知识网络来访问。
此外,自主系统360还可以根据组1200的资产328来构造组故障时间的预测模型;例如,组输入数据、组输出、组制法、或组维护活动。在一方面,为确定组故障时间,自主学习系统360可以收集故障数据,包括(通过一组传感器组件)检测到的无故障时间、相关联的资产12501-1250K、输出12601-1260K、以及工具集12201-1220K中的基本上所有操作工具的维护活动。(应当理解,作为先前故障评估的结果,组1200中的工具集(例如,工具12201-1220K)中的特定工具(例如,工具系统212201和工具系统K 1220K)可能不工作。)所收集的数据可被自主地分析(例如,通过自主学习系统360中的处理组件385)以学习作为组资产(例如,输入、制法、...)、输出、以及维护活动的函数的故障时间预测函数。应当明白,从所收集的数据构造的组故障时间模型可以容易地显示影响工具组1200的性能的基本上主要的因素。
在一方面,为工具组1200中的工具系统(例如,12201-1220K)的各单独组件构造的故障时间模型可由动作者390(例如,组级控制器)用来优化零件库存并优化维护时间表。应当理解,这样的优化可以至少部分地由自主系统360来进行。例如,自主系统访问MES(或ERP)系统来标识可用零件的数量。在向工具系统12201-1220K提供功能并且预期在特定时间段Δτ内是必要的一组零件(例如,诸如系统310中的组件315等功能组件内的一个或多个组件中的零件)超过库存的可用供应时,可以定购附加零件。作为替换或补充,在零件可用时,可以分析对必需零件的预期调度以确定发出新订单的最优或合适时间。
应当明白,可以重新评估维护时间表并在必要的先前调度的维护活动期间进行优化,以利用自主系统360可用的机会来分析零件并标识可能在基本上很短的时间段内出故障的零件。还应当明白,在一方面,可以使用诸如零件成本、更换零件的时间等附加信息来自主地完成一组或单独的故障时间调度,以确定在当前维护周期内进行的零件更换相对于在即将来临的调度维护周期中更换该零件而言是否是有益的。注意,自主系统360还可以将与工具组1200的操作相关联的各个成本作为输入来为该组计算每输出产品(例如,晶片、汽车、计算机等)的成本,并计算在工具组1200的操作期间生产特定订单的总成本。在根据各单独的工具资产12501-1250K(例如,制法)、输出12601-1260K以及维护活动构建了成本模型后,自主系统360可以按操作成本的递增次序来对各单独的工具系统12201-1220K进行排序。组合成本数据资产可被用来构造成本对与各单独的工具系统相关联的资产、输出、以及维护活动的预测模型——例如,这样的评估可以标识显著影响工具组的操作或维护成本的操作资产和变量。在一方面,自主系统360可以利用可用历史数据资产来重新设计生产线或底层车间的设备配置以最小化成本。另外,在这样的优化过程期间,自主系统360可以依赖于各工具系统的停机来使用替换操作模式。此外,自主系统360可以利用成本-收益分析来确定其中在没有特定高成本工具系统的输出的情况下进行特定输出的生产的一组折衷场景。
工具系统12201-1220K可以基本上是相同的或可以是不同的(例如,工具系统12201-12203是步进器,工具1220J是步进器,而1220K-4-1220K是涡轮分子真空泵)。通常,同构(例如,工具系统是相同的)或异构(例如,工具是不同的)之间的主要不同在于输入和输出测量(例如,测量资产)是不同的。例如,工具组1200感兴趣的临界输出可以是D1CD均匀性,但作为工具组1200的一部分的敷涂系统可能未能提供这样的输出测量。因此,自主系统360可以构造用于将工具组的输出表达为各单独的工具(例如,12201-1220K)输出的函数的模型。因此,在组性能显得降级时,可以分析与各单独的工具相关联的各单独的性能以隔离具有造成该性能降级的最大权重的工具。
图13示出自主工具系统的集团部署的示图。集团系统1310包括一组自主工具集团13201-1320Q。工具集团中的每一个可包括各组同构或异构的自主工具,例如可构成自主制作设施(未示出)的一组不同的自主工具组,或一组不同的自主制作设施。应当明白,自主集团13201-1320Q通常可以位于不同的地理位置(例如,集团可以表示使用在不同位置制作的零件来装配车辆的汽车装配线)。类似地,鉴于制造过程可包括多个步骤,工厂中的各组自主工具可以被部署在车间内的不同位置处。因此,产品输出链1365可以促进向不同的自主工具集团13201-1320Q提供部分已制造或已处理或已分析的产品;这样的特征是用表示与集团13201-1320Q相关联的输出/输入的双向箭头13601-1360Q来指示的。
集团系统1310可以由包括交互组件340、动作者390、以及自主学习系统360的自主学习系统来自主地支持。在一方面,自主支持可以针对改进输出资产(例如,输出1365或1265)的总体制作效率(OFE)度量。另外,自主工具集团13201-1320Q中的每一个可以进而由交互组件1330和自主学习系统1340来自主地支持。接口组件1330促进自主学习系统1340与动作者3901-390Q之间的交互。这些组件中的每一个的功能与以上结合系统360和系统1200描述的相应组件的功能基本上相同。在交互组件1330与自主系统1340之间传递的信息1348I(I=1,2,...,Q)与相应自主工具集团I 1320I相关联。类似地,传达给自主工具集团I 1320I或从中接收到的资产1350I是其专用的。
为解决自主工具集团13101-1310Q中的性能,可以通过利用合成集团索引Cα和运行索引(R)来标识产品的性能标签来合并制作过程的多步骤特性,其中下标α指示集团C(例如,自主集团1320Q)内的特定工具组;因此,与特定产品相关联的产品质量或性能度量是经由标记(Cα;R)来标识的,其可被称为“组层输出(group-layer output)”。这样的标记促进将每一自主操作组标识为单独的分量Cα。因此,自主系统360可以根据制作集团(例如,自主工具集团13102)并根据每一制作集团内的工具组来映射质量和性能度量。后一项通过首先标识集团(例如,制作设施)并随后执行对与所评估的降级相关联的工具的分析来促进对不良性能或质量的根本原因的分析。应当明白,用于考虑包括多个集团工具的自主系统中生成的输出资产的事实的索引Cα可以从第一集团(N)传输到第二集团(N′)。因此,用于跟踪与资产的传送(例如,作为多步骤制作过程的一部分)相关联的性能的合成符号可以读成Cα,N→N′。
自主工具集团的性能可以表现为产品成品率的函数。这样的成品率被用来对不同的集团进行排序。在一方面,自主学习系统360可以至少部分地基于来自每一自主工具或自主工具组的输出资产来发展成品率的模型。例如,对于半导体制造中使用的工具或工具组,成品率可被表达成晶片厚度、器件均匀性、杂质(例如,外来和内在掺杂浓度)浓度、DI CD、FI CD,等等的函数。此外,可以利用其他成品率度量来确定成品率的模型,尤其是在包括工具集团系统(例如,13201-1320Q)的自主学习系统中,其中输出资产可以在各集团之间传输:总体设备效率(OEE)、周期时间效率、准时送达率、能力利用率、返工率、机械线成品率、探测成品率和最终测试成品率、资产产量、启动或自举(ramp-up)性能率,等等。注意,支持一组自主工具集团的操作的自主系统可以自主地标识各成品率度量之间的关系以重新设计工艺或就与所述成品率度量相关的调整来与动作者3901-390Q进行通信。
上述成品率函数可以通过静态和动态分析(例如,仿真)的组合来分析以根据产生特定成品率的影响程度或权重对组层输出进行排序。注意,在组层输出级处至少部分地基于对实现资产输出或成品率的影响的排序工具、工具组或工具集团可以使一组或集团自主学习系统360能够通过与组中或集团中的组中的每一个工具相关联的自主系统来自主地标识特定工具是否可被隔离为成品率退化的主要工具。在定位了这样的工具时,组或集团级自主系统360可以用与对可作为性能退化候选的故障进行排序有关的信息向维护部门发出警报。
另外,最低排名自主工具集团的成品率可用来标识对成品率有主要影响的工具组的组层输出。这样的工具组的故障时间可以与不同自主集团中的基本上相同的工具组进行比较以标识不良性能的原因。此外,自主工具集团系统对不同工具集团中的特定工具组内的工具进行排序。注意,支持并分析一组自主工具集团(例如,13201-1320Q)的自主学习系统可以根据针对每一集团推断的故障时间来对这些集团中的每一个集团进行排序。因为故障时间可以鉴于例如输入/输出资产(例如,资产358)加载而随操作时间间隔变化,所以可以按指定时间段(例如,每周、每月、每季度、或每年)更新具有故障时间预测的数据库。
另外,在标识了对工具组的不良性能负主要责任的单独的工具(例如,在工具组中性能排名最低的工具,如最频繁地发生故障而输出具有诸如均匀掺杂浓度或均匀表面反射系数等指定目标质量属性的资产的工具)时,与该最低性能工具相关联的或与包括这样的不良性能工具的集团系统相关联的自主系统可以分析该工具的输出以标识最显著地影响该最低性能组的输出的那些输出。例如,工具组或集团中的输出具有如上所述的低均匀度的资产的工具可导致显著百分比(例如,60%)的工具组均匀度变化(例如,由于其他高质量显示器上的涂层的表面反射性上的均匀度问题而导致的光学显示器的表面反射性的均匀度变化中的变化)。为此,在一方面,对于该组中的每一输出,工具自主系统构造将工具输出表达成工具资产(例如,输入、制法、以及工艺参数、工具操作者或动作者,等等)的函数的函数。随后分析这一模型以标识造成不良性能的主要因素。注意,自主系统可以标识工具组中的最佳性能工具并分析造成该工具具有最佳性能的原因;例如,该工具在操作期间的真空水平一贯低于该工具组中的不同工具的真空水平,或在外延沉积期间该最佳性能工具中的晶片以比执行沉积的不同工具中更低的速度来旋转,从而该工具一贯达到更高的器件质量。最高排名和最低排名工具中的这样的因素可以与集团系统中的其他工具中的相同参数进行比较。在该比较指示被标识为最高和最低排名性能的根本原因的因素在整个工具集团系统中表现得基本上相同的情况下,可以发展新模型并可以标识备选的根本原因。模型发展和确认的这样的迭代自主过程可以继续,直至标识了根本原因并模拟了最佳实践(例如,鉴于工具集团1320P中使用的涂层制法使输出资产性能增加了特定所需余量,在基本上所有工具集团中都采用它)并且减轻了低性能的根本原因(例如,放弃其粘性在涂色隧道的工作温度下导致对所涂色的产品的非均匀着色的特定品牌的涂料)为止。工具、工具组、或工具集团的排名是自主的,并且以与单个自主工具系统(例如,系统360)基本上相同的方式来进行。支持自主工具集团的操作的自主系统将自主集团认为是单个组件,而不论其内部结构的复杂性,该内部结构可以通过与该集团相关联的自主系统来访问和管理。
图14是示出上述各类工具系统—例如,单独的自主工具360、自主工具组1200、以及自主工具集团1300-的模块性和它们之间的递归耦合的示图1400。在自主系统1400中,目标、上下文、以及资产通过被描绘成轴向网关的知识网络375循环,并被传达给不同的自主工具系统360、1200、和1300。在每一自主系统中操作这样的信息和资产,这些动作可包括分析、修改、生成新信息和资产,这样的动作用图片描绘成自主系统360、1200、1300的每一表示的外环上的箭头。经处理和所生成的资产被传达给知识网络375,在那里其可以在自主系统之间循环。在示图1400中,对资产的处理和生成被表示成是角向地发生的,而资产的通信传递是径向过程。如图1400所示,自主工具系统基于以基本上相同的方式运作的基本上相同的元素。
图15示出评估并报告用于资产生成的多站过程的示例系统1500。包括自主的基于生物学的学习系统360、动作者390、以及相关联的交互组件330的自主系统1505可以接收并传达源于N站过程1510的资产328并通过反向链接来评估性能。N站过程是通过产生输出1520并可包括单独的自主工具360、自主工具组1220或自主工具集团1320的一组N个过程站15101-1510N来实现的。作为性能评估的结果,自主系统1508可以定位过程站15101-1510N中具有特定性能降级程度的工具或工具组。另外,对于所选站,自主系统1508可以提供评估报告、修理报告、或维护时间表。应当明白,不同的过程站可以执行基本上相同的操作;这样的场景将反映其中在生成了资产1515并将其运输到不同的工具或工具组以供进一步处理之后输出资产1515返回到特定工具或工具组以供进一步处理的情况。
在反向链接中,造成输出的动作流(例如,过程流1530)通常对通常评估该动作流的探查流(例如,评估流1540)进行计数。因此,评估通常以自顶向下的方式发生,其中评估是在特定动作的高级阶段上(例如,最终化的资产输出1520)进行的,并且继续进行到较低级阶段以寻求在完成特定动作之前将评估集中于特定阶段。如自主系统1504所应用的,输出资产1520是经由过程站N 1510N接收的。如1546所示,自主系统1504可以至少部分地基于预期性能,对过程站1510N中的基本上所有操作组件(例如,工具、工具组或集团),评估产生特定降级向量(未示出)的一组性能度量另外,应当明白,在过程1530中,输出资产(例如,资产1515)可以跨不同的地理区域来运输,因此自主系统1504所评估的降级向量可包括与该过程的导致部分完成的资产1515的途中(in-transit)部分相关联的度量。例如,在过程1530询问加速计以寻找汽车安全气囊部署时,所运输的加速计中的机械件可能因利用替换路线而非采用过程1530中揭示的路线来运输该加速计而损坏。在这样的评估的结果1549指示N站输出1520有误的情况下,自主系统1504隔离与过程站N相关联的有误工具或工具组,并生成报告(例如,评估报告1550、修理报告1560、或维护时间表1570)。所生成的报告可包含要由一个或多个(例如,动作者3901-390Q)使用的信息。另外,可以存储报告以创建特定性能问题的解决方案(即“修复”)的遗产,尤其是不常出现的问题,以便可以相对于通常可从大量可用数据获益的自主地发展的解决方案而言更偏好动作者的干预。此外,报告的可用性可以促进故障情节的故障仿真或法庭分析,这可至少在两个水平上降低制造成本:(a)可以预测昂贵的不常发生故障的设备在源于具有与该设备的复杂性不相称的背景的动作者对该设备的操作的罕见条件下可能发生故障,这可由自主系统360来仿真,(b)通过至少部分地基于存储在评估报告1550和修理报告1560中的历史数据来预测各故障场景以优化零件库存。
在过程站N 1510N的结果1549未产生有误工具或工具组的情况下,对生成部分处理的输出资产1515并且是用于生成输出1520的过程周期1530的一部分的较低级过程站N-1 1510N-1执行评估。通过分析一组不同的性能度量可以提取降级程度并定位相关联的工具或工具组(例如,集团C)。在没有有误自主工具集团或自主工具组或单独的自主工具的情况下,自主系统1504本着定位最终输出1520中的不良性能的源的目标继续反向的自顶向下的评估流1540。
图16是可分发由工具集团系统自主地生成的输出资产的示例自主系统1600的框图。在系统1600中,工具集团可以1320Q自主地生成一组输出资产1610,其可以是(i)所收集或推断的关于可组成工具集团系统1320Q的一个或多个工具的状态(包括性能降级情况)的信息(例如,结构和数据模式、所测量的变量之间的关系,如对组成自主工具集团1320Q的相同或不同工具组中的已有降级情节或情况的补救等);或(ii)所述集团所制作的输出产品。另外,在系统1600中,输出资产1620可以由资产选择器1620过滤并被传达或传递给分发组件1630。这样的分发组件1630可以利用自主的基于生物学的学习系统360的智能方面。分发组件1630包括管理组件1635,该管理组件可操纵打包组件1645和可准备数据的加密组件1655以及调度器1665和资产监视器1675。打包组件1645可以为分发过程准备要分发的资产;这样的准备可包括损坏预防以及丢失预防。对于信息(例如,情节存储器530中的事件,如作为如高于阈值的温度等零件规范之外的操作的结果而发展的系统不需要的条件)或数据资产,打包组件1645可以至少部分地取决于要分发的资产的预期接收者来更改呈现该信息的特定格式。例如,专有信息可以是摘要并在没有具体细节的情况下呈现(例如,可以用词“气体”来代替显式气体名称,特定参数之间的关系可以一般化成变量之间的关系,如“p(O2)<10-8托”可被打包成“p(气体)<10-8托”)。另外,打包组件1645可以利用加密组件1655来确保资产传输期间的信息完整性和预期接收者处的资产恢复。
另外,在一方面,管理组件1635可以访问(i)资产存储1683,其通常包含被调度来分发的资产或已分发的资产;(ii)包括与特定资产的分发或完成相关联的商业伙伴的伙伴存储1686;(iii)可包含已向其分发或可以向其分发所选资产的当前、过去、或预期客户的客户存储1689;(iv)可以确定与资产的分发相关联的各方面的策略存储,如监听、客户支持和关系、用于资产打包的过程、调度过程、知识产权的实施,等等。应当明白,策略存储中包含的信息可以至少部分地基于例如自主的基于生物学的学习系统所学习的或所生成的信息资产等知识而动态地变化。
一旦将资产打包,这可包括向一个包添加诸如有源或无源RFID标签或者条形码(例如,二维码、Aztec码等)等监视器件,并且其已被调度来分发,则可以存储分发记录,或如果该资产是数据资产则存储该资产的副本。随后,该资产可以传递给不同的自主工具集团P 1320P。
图17示出从设计到制造和到市场营销的、自主地确定的用于资产(例如,已完成的成品、部分完成的产品、...)的分发步骤的示例。六角形单元1710表示其中两类自主工具集团;例如,“圆形”集团1720、1730、1740、1750和1760以及“方形”集团1765和1775参与一组产品或资产的制造链的特定地理区域(例如,市、县、州、一个或多个国家)。(注意,该地理区域基本上可以涵盖除六角形单元之外的任何边界区域。)作为一示例场景并且不作为限制,资产的制造在集团1720开始,集团1720可以是提供用于高山运动(例如,滑雪、登山、滑翔等等)的光学管理的定做固态器件的设计的集团。设计可以在于执行原材料及其组合的光学性质的计算仿真以及器件仿真。在这种情况下,集团1720可以是可在本示例中被解释成一组自主工具组(图12)的大规模并行超级计算机,其中仿真计算机的网络中的每一计算机都被认为是自主工具组。集团1720输出光学器件的一个或多个设计和与这些器件的描述相关联的一系列报告——例如,数据资产。这样的输出或资产(未示出)在适当的加密和打包(例如,通过组件)之后可经由可以是无线链路的通信链路1724传达给集团1730。
集团1730可以接收该数据资产,并作为非限制性示例,启动沉积过程以根据接收到的资产制作固态器件。为此,集团1730可以与集团1740合作,并且两者可以被认为是作为两集团的自主集团工具1310的一部分的制作设施。这些集团可以根据接收到的规范资产来生产多个器件,一旦制作了器件则可测试该器件并向其分配质量和性能度量,这样的度量可在进入集团1730和1740的自主工具之间产生到所定位的“不良性能”的反向链接。通过确定多个度量,自主地调整集团1720和1730的操作以优化器件或输出资产的生产是可能的。注意,链路1724指示内部链路,其中集团1730和1740是同一制作车间的一部分;因此该资产可以在与当利用提供车辆运输路线的链路1724时基本上不同的条件下运输。链路1744可用来运送器件以在不同的地理位置进行商业包装(这样的运输可以由有利的包装成本、熟练的劳动力、公司税激励等等来激励)。应当明白,集团1740处的自主学习系统可以优化运送时间(例如,经由调度器)和路线(例如,链路1744)以确保及时且成本高效的送达。在集团1750处,将资产打包并在集团1760中经由无线链路来远程地测试。在一方面,所测试的器件的量和对其中的器件进行测试的批次可由集团1760中的自主系统来确定。一旦批准了打包器件可用于商业化,则该资产通过路线1744运送到集团1740,并随后经由路线1770运送到不同类的集团1775。这样的集团可以是伙伴供应商,并且集团1775可以是存储仓库,其可被认为是工具组集团。这样的集团在内部链接到可以是接收到的资产的陈列室的集团1765。
考虑到以上示出并描述的示例系统,参考图18、19和20的流程图将更好地理解可根据所公开的主题实现的方法。尽管出于简化解释的目的,各方法被显示和描述为一系列的框,但应该理解和明白,所公开的各方面不受动作的次序所限,因为一些动作能够以与在此所叙述和描述所不同的次序发生和/或与其他框同时发生。此外,并非所有所示出的动作都是实现以下描述的方法所必需的。可以理解,与各框相关联的功能可以由软件、硬件、其组合、或任何其他合适的装置(例如,设备、系统、进程、组件)来实现。另外,还应该明白,下文以及本说明书全文中所公开的方法能够被存储在制品上,以便于把此类方法传送和转移到各种设备。本领域技术人员将会明白并理解,方法可替换地被表示为一系列相互关联的状态或事件,诸如以状态图的形式。
图18呈现用于带上下文目标调整的基于生物学的自主学习的示例方法1800的流程图。在动作1810处,确立目标。目标是与用于实现该目标或目的的目标组件的功能相关联的抽象。目标可以是多学科的并且跨各个部门(例如,工业、科学、文化、政治,等等)。一般而言,动作可由动作者执行1810,该动作者(例如自适应推断引擎)可以是目标组件外部的(即,外来的),其可耦合到学习系统。鉴于目标的多学科性质,目标组件可以是拥有多个功能的工具、设备、或系统;例如,执行特定过程的工具系统(例如,工具系统310)或向一组请求提供特定结果的设备,等等。在动作1820处,接收数据。这样的数据可以是内在的,例如,寻求某一目标的目标组件(例如组件120)中生成的数据。在一方面,作为执行特定过程的一部分,与该工具相关联的一组传感器或探头可以收集在自适应智能组件中接收到的数据。接收到的数据也可以是外来的,如动作者(例如,动作者390)传达的数据,该动作者可以是人主体或机器。外来数据可以是用于驱动过程或一般而言用于驱动特定目标的实现的数据。人主体可以是工具系统的操作者,并可以提供→与该工具所执行的过程相关联的指令或特定过程。动作者的示例可以是执行工具系统或基本上任何目标组件的仿真的计算机。应当明白,工具系统的仿真可以用于确定工具系统的部署参数,或用于测试工具的替换操作条件(例如,可能人主体造成危险的或可能昂贵的操作条件)。接收到的数据可以是与特定过程或一般而言特定代码相关联的训练数据或生产数据。
在另一方面,接收到的数据可以与数据类型或者程序或功能单元相关联。数据类型是实际数据的高级抽象;例如,在工具系统中的退火状态中,在退火周期的跨度期间温度可被控制在所规划的水平,工具系统中的温度传感器所测量的温度值的时间序列可以与序列数据类型相关联。功能单元可以与接收到的操纵该工具的操作或分析该工具所生成的数据所必需的数据的指令或处理代码补丁的库相对应。功能单元可以被抽象成与该单元的特定功能相关的概念;例如,操纵代码片段可以被抽象成“乘”概念。此类概念在可使单个概念依赖于多个数据类型(如,乘(序列)、乘(矩阵)、或乘(常数,矩阵))方面可以是重载的。此外,与各功能单元相关联的概念可以继承与各功能单元相关联的其他概念,如可以示出表示两个向量的标积相对于自变量的导数的概念的“导数(标积(向量,向量))”。应当明白,功能概念与类直接类比,类本身是概念。此外,数据类型可以与优先级相关联并可以根据该优先级存放在语义网络中。类似地,功能概念(即,自动机器人)还可以与一优先级相关联,并存放在不同的语义网络中。概念优先级是动态的,并可以促进语义网络中的概念激活。
在动作1830处,从如上所述可以在语义网络中表示的接收到的数据生成知识。知识的生成可以通过在语义网络中传播激活来实现。这样的传播可以通过除分数组合之外的分配给概念的情况分数来确定。在一方面,分数组合可以是两个分数的加权相加或两个或多个分数的平均值。应当明白,取决于工具系统条件或从外部动作者接收到的信息输入,分数组合的规则可以视需要修改。应当明白,优先级可以随时间进展而衰退,以允许很少激活的概念变得陈旧,从而允许新概念变得更加相关。
所生成的知识可以是完整信息;例如,沉积步骤中的稳态压力是诸如稳态流和稳态排气阀角度等两个自变量的精确的明确定义的数学函数(例如,单值函数,其中所有进入该函数的参数被确定性地评估而非随机或未知)。或者,所生成的知识可以表示部分理解;例如,蚀刻速率可以拥有对温度的已知函数依赖(例如,指数依赖),而蚀刻速率与温度之间的具体关系—例如,确定该函数依赖的参数的精确值—是未知的。
在动作1840处,存储所生成的知识以供后续用来自主生成进一步的知识。在一方面,知识可以存储在存储器分层结构中。分层结构可以根据存储器中的知识的持久性和用于创建附加知识的知识的可读性来确定。在一方面,分层结构中的第三层可以是情节存储器(例如,情节存储器530),其中可以收集接收到的数据印象和知识。在这样的存储器层中,概念的操纵是不重要的,该存储器改为担当从工具系统或外部动作者接收到的可用信息的储存器。在一方面,这样的存储器可以被标识为元数据库,其中可以存储多个数据类型和程序概念。在第二层,知识可被存储在短期存储器中,其中概念可被大量操纵并且可以进行语义网络中的散布激活。在这一存储器层,功能单元或程序概念操作接收到的数据和概念以生成新知识,即,学习)。第一层存储器可以是长期存储器(例如,LTM 510),其中维护知识以用于积极利用,其中大量新知识存储在该存储器层中。另外,长期存储器中的知识可由短期存储器中的功能单元来利用。
在动作1850处,利用所生成或存储的知识。知识可以用于(i)通过标识所存储的知识与新接收到的数据之间的差异来确定目标组件(例如,工具系统310)的降级水平(参见自我意识组件550),其中接收到的数据可以是外来的(例如,输入130)或内在的(例如,输出140的一部分);(ii)例如通过标识数据模式或通过发现各变量之间的关系来表征外来或内在数据或两者(如在自概念化组件560中),其中这些变量可用来实现所确立的目标;或(iii)生成对生成该数据的工具系统的性能的分析(例如,自优化组件570),从而提供所预测的故障或已有故障的根本原因以及必要修理的指示,或触发警报以用于在工具系统的降级造成工具故障之前实现预防性维护。注意,对所存储和生成的知识的利用受接收到的数据—外来或内在—和随后生成的知识的影响。
动作1860是其中可以鉴于所生成的知识来检查目标的实现程度的确认动作。在实现了所确立的目标的情况下,示例方法1800可以结束。或者,如果所确立的目标尚未实现,则可以在动作1870处修订所确立的目标。在后一种情况下,方法1800的流程可使得在当前目标要被修订或适应的情况下确立新目标;例如,目标自适应可以基于所生成的知识。在不寻求修订当前目标的情况下,方法1800的流程返回以生成知识,这可以用来继续寻求当前所确立的目标。
图19呈现用于调整与目标组件的状态相关联的概念的情况分数的示例方法的流程图1900。在动作1910处,确定目标组件的状态。状态通常是通过上下文来确立的,其可以通过各种数据输入(例如,输入130)或通过与该输入相关联的概念的网络和所展示的具体关系来确定。输入数据涉及目标组件所寻求的目标;例如,特定薄膜器件的敷涂工艺的制法可被认为是与“沉积绝缘器件”目标相关联的输入。在动作1920处,确定可应用于目标组件的状态的一组概念。这些概念可以是在动作1910中输入的数据类型的抽象,或可以是存储器平台(例如,长期存储器510或短期存储器520)中的已有概念。一般而言,可操作描述性概念(例如,不带功能组件的概念)的功能概念可能更频繁地用于实现某一目标。在动作1930处,确定与该目标相关联的一组概念中的每一概念的情况分数。一组情况分数可以确立概念利用或应用的分层结构,其可以确定目标的动态性,如目标自适应或子目标创建/随机化。作为目标自适应的一部分,对特定概念的情况分数的调整可以驱动目标实现以及在目标空间内的传播。
图20呈现用于通过推断来生成知识的示例方法的流程图2000。在动作2010处,将概念与数据类型相关联并确定该概念的优先级。优先级通常可以基于概念的利用概率(即,概念的权重)来确定。这样的权重可以通过可以表示利用某一概念的容易性(例如,操作某一数据类型的复杂度)的参数的函数(例如,加权和或几何平均值)来确定,这样的参数可以用概念的惯性,以及用于描述状态的概念(例如,可以与该概念相关的多个邻居概念)的适合性参数来标识。应当明白,作为显式时间相关惯性和适合性参数的结果或作为概念传播的结果,优先级可以是时间相关的。时间相关优先级可以将老化方面引入特定概念,并且因而可以通过停止与特定知识场景(例如,基于优先级的知识网络中的节点结构)相关的概念来促进知识灵活性(例如,知识(例如,用来寻求某一目标的范例,如用于纳米结构器件的制备的制法)。在动作2020处,确立一组区分了优先级的概念的语义网络。应当明白,该语义网络可包括多个子网,其中该多个网络中的每一个都可以表征某一个类中的各概念之间的一组关系。作为示例,在两层语义网络中,第一子网可以表示从各数据类型导出的各概念之间的关系,而第二子网可包括描述可用于对数据类型进行更改的操作的各功能概念(例如,规划器自动机器人(即,超级机器人)、概念自动机器人)之间的关系。在动作2030处,通过语义网络传播一组优先级以进行推断并且因而生成与该概念网络相关联的知识。在一方面,这样的传播可以用于生成用于目标自适应的优化计划,或用于预测寻求特定目标的系统中的故障。
图21是用于资产分发的示例方法2100的流程图。资产可以由单独的自主工具、自主工具组(例如,系统1210)、或自主工具集团系统(例如,系统1310)来提供。应当明白,资产也可以用替换方式来生成。在动作2110处,接收资产。在一方面,接收到的资产可以是从一个或多个自主工具所生成的输出资产中选择的资产。在动作2120处,处理接收到的资产以进行分发。如上所述,资产通常携带与用于生成该资产的知识相关联的优点;因此,资产可以用防止竞争者对该资产进行逆向工程的方式来打包。应当明白,取决于该资产的目的地,可以定制与该资产相关联的打包信息,从而至少部分地基于接收该资产的实体是商业伙伴、客户、还是其他分公司、部门、还是制作该资产的组织组来传递不同级别的信息。随该资产打包的信息的级别可以遵循特定策略(例如,存储在策略存储1692中的策略)。另外,对于数据资产或计算机程序资产而言,这样的资产在打包时可以加密以保持该资产所传达的信息的完整性。此外,用于分发资产的处理的一部分可包括在遵循合适的分发时间表时将该资产保持在存储(例如,资产存储1683)中。在一方面,这样的时间表可以通过支持制作或产生所分发的资产的工具系统的自主系统(例如,系统360)来优化。
在动作2130处,分发经处理的资产。分发通常取决于资产特征和特性以及该资产的目的地。例如,资产可以在工厂车间内分发以完成如在装配线中的资产生产,其中未完成的车辆(例如,资产)可以通过不同的装配阶段来运输。类似地,在食品工业中,冻肉(例如,资产)在整个食品准备车间中分发。作为替换或补充,取决于工业,未完成的资产可以分发到海外来完成,以从成本高效生产市场获益。
在动作2140,通过访问该资产的分发状况来监视已分发的资产以确保例如资产分发遵循适用的分发规章,或确保适当的库存补充。另外,监视资产的分发可以减轻损失和损害,以及可以促进与商业伙伴和客户的交互。
本文描述的各方面或特征可被使用标准程序设计和/或工程设计技术来实现成方法、装置、或制品。在此使用的术语“制品”旨在涵盖可以从任何计算机可读设备、载体或介质访问的计算机程序。例如,计算机可读介质可以包括但不限于磁存储设备(例如,硬盘、软盘、磁带、...)、光盘(例如,紧致盘(CD)、数字多功能盘(DVD)、...)、智能卡和闪存设备(例如,卡、棒、钥匙驱动器、...)。
以上所已经描述的内容包括所要求保护的主题的各方面的示例。当然,出于描绘所要求保护的主题的目的而描述组件或方法的每一个可以想到的组合是不可能的,但本领域内的普通技术人员应该认识到,所要求保护的主题的许多其他组合和排列都是可能的。因此,所要求保护的主题旨在涵盖所有这些落入所附权利要求书的精神和范围内的更改、修改和变型。此外,就在说明书或权利要求书中使用术语“包括”而言,这一术语旨在以与术语“包含”在用作权利要求书中的过渡词时所解释的相似的方式是包含性的。
权利要求书(按照条约第19条的修改)
1.一种半导体工具系统,包括:
用于制作产品的一组工具,所述一组工具中的每一工具生成促进所述产品的制作的产品资产;
一组自主学习系统,每一自主学习系统驻留在所述一组工具中的每一工具中并优化每一工具的性能;
从所述一组工具接收打包数据并生成优化所述产品的制作的知识的不同的自主学习系统;
所述不同的自主学习系统还包括处理平台,所述处理平台包括操作所述打包数据的功能处理单元,所述功能处理单元的应用顺序至少部分地基于每一功能处理单元产生新知识的历史而是动态的。
2.如权利要求1所述的系统,其特征在于,所述产品的经优化的制作包括所述一组工具的经优化的平均无故障时间。
3.如权利要求1所述的系统,其特征在于,所述产品的经优化的制作包括经优化的平均修理时间。
4.如权利要求1所述的系统,其特征在于,所述产品的经优化的制作包括通过反向链接来优化的制作过程。
5.如权利要求4所述的系统,其特征在于,用于产品降级的反向链接包括根据产品降级来对一组工具中的每一工具进行排序。
6.如权利要求5所述的系统,其特征在于,所述产品的经优化的制作包括学习预测一组零件的故障。
7.如权利要求6所述的系统,其特征在于,还包括利用预期故障时间来优化零件库存。
8.如权利要求1所述的系统,其特征在于,所述产品的经优化的制作包括学习预测用于自举的一组因素。
9.如权利要求8所述的系统,其特征在于,还包括优化所述用于自举的一组因素。
10.如权利要求1所述的系统,其特征在于,每一自主学习系统包括存储所述知识的存储器平台,其中所述存储器平台包括存储器分层结构。
11.如权利要求10所述的系统,其特征在于,所述存储器分层结构包括长期存储器、短期存储器、以及情节存储器。
12.如权利要求1所述的系统,其特征在于,每一自主学习系统包括处理数据的平台,其中所述平台包括操作接收到的打包数据的一组功能单元。
13.如权利要求11所述的系统,其特征在于,知识网络促进所述存储器平台中的存储器分层结构、处理所述打包数据的平台中的所述一组功能单元、或其组合之间的通信。
14.如权利要求11所述的系统,其特征在于,所述一组功能单元包括存储器平台和处理数据的平台。
15.如权利要求11所述的系统,其特征在于,所述一组功能单元包括标识所述一组工具中的每一工具的降级状况的至少一个单元。
16.如权利要求15所述的系统,其特征在于,所述降级状况评估第一制作过程与第二制作过程中的一组特征之间的差异。
17.如权利要求15所述的系统,其特征在于,降级状况包括单个数字值,所述数字值评估两个N元组向量之间的距离,其中每一向量中的每一元组是观察到的数据的计算得到的度量,并且N是正整数。
18.如权利要求17所述的系统,其特征在于,所述数字正整数值是欧几里得距离。
19.如权利要求17所述的系统,其特征在于,所述数字值是余弦相似性度量。
20.如权利要求1所述的系统,其特征在于,产品资产包括用于制作产品的过程的至少一部分的制法。
21.如权利要求1所述的系统,其特征在于,产品资产包括与对产品进行的测量相关联的一组观察到的数据。
22.如权利要求21所述的系统,其特征在于,所述观察到的数据包括折射率、吸收系数、发展检查临界尺寸、或最终检查临界尺寸中的至少一个。
23.如权利要求21所述的系统,其特征在于,产品资产还包括所述观察到的数据的一组计算得到的度量。
24.如权利要求23所述的系统,其特征在于,所述一组度量包括均值、标准差值、或均匀度值中的至少一个。
25.如权利要求1所述的系统,其特征在于,产品资产包括至少部分地处理的固态半导体材料。
26.一种用于分发产品资产的方法,所述方法包括:
接收产品资产,
至少部分地基于自主学习系统所生成的知识来处理所述产品资产,处理包括将功能处理单元应用于所述产品资产,其中所述功能处理单元的应用是至少部分地基于每一功能处理单元产生新知识的历史来动态地排序的;以及
分发经处理的产品资产。
27.如权利要求26所述的方法,其特征在于,还包括监视所分发的产品资产。
28.如权利要求26所述的方法,其特征在于,至少部分地基于自主学习系统所生成的知识来处理所述产品资产还包括将所述产品资产打包。
29.如权利要求28所述的方法,其特征在于,将所述产品资产打包包括将数据集加密。
30.如权利要求26所述的方法,其特征在于,至少部分地基于自主学习系统所生成的知识来处理所述产品资产还包括为所述产品资产调度分发时间。
31.一种用于半导体处理的设备,包括:
用于制作产品的装置;
用于优化制作所述产品的一组工具的性能的装置;
用于从一组工具接收打包数据的装置;
用于至少部分地基于每一处理单元生成新知识的历史来确定将处理单元应用于所述打包数据的顺序的装置,所述顺序是动态地调整的;
用于将所述处理单元应用于所述打包数据的装置;以及
用于捕捉通过将所述处理单元应用于所述打包数据而生成的知识的装置。
Claims (31)
1.一种半导体工具系统,包括:
用于制作产品的一组工具,所述一组工具中的每一工具生成促进所述产品的制作的产品资产;
一组自主学习系统,每一自主学习系统驻留在所述一组工具中的每一工具中并优化每一工具的性能;以及
从所述一组工具接收打包数据并生成优化所述产品的制作的知识的不同的自主学习系统。
2.如权利要求1所述的系统,其特征在于,所述产品的经优化的制作包括所述一组工具的经优化的平均无故障时间。
3.如权利要求1所述的系统,其特征在于,所述产品的经优化的制作包括经优化的平均修理时间。
4.如权利要求1所述的系统,其特征在于,所述产品的经优化的制作包括通过反向链接来优化的制作过程。
5.如权利要求4所述的系统,其特征在于,用于产品降级的反向链接包括根据产品降级来对一组工具中的每一工具进行排序。
6.如权利要求5所述的系统,其特征在于,所述产品的经优化的制作包括学习预测一组零件的故障。
7.如权利要求6所述的系统,其特征在于,还包括利用预期故障时间来优化零件库存。
8.如权利要求1所述的系统,其特征在于,所述产品的经优化的制作包括学习预测用于自举的一组因素。
9.如权利要求7所述的系统,其特征在于,还包括优化所述用于自举的一组因素。
10.如权利要求1所述的系统,其特征在于,每一自主学习系统包括存储所述知识的存储器平台,其中所述存储器平台包括存储器分层结构。
11.如权利要求1所述的系统,其特征在于,每一自主学习系统包括处理数据的平台,其中所述平台包括操作接收到的打包数据的一组功能单元。
12.如权利要求11所述的系统,其特征在于,知识网络促进所述存储器平台中的存储器分层结构、处理所述打包数据的平台中的所述一组功能单元、或其组合之间的通信。
13.如权利要求10所述的系统,其特征在于,所述存储器分层结构包括长期存储器、短期存储器、以及情节存储器。
14.如权利要求11所述的系统,其特征在于,所述一组功能单元包括存储器平台和处理数据的平台。
15.如权利要求11所述的系统,其特征在于,所述一组功能单元包括标识所述一组工具中的每一工具的降级状况的至少一个单元。
16.如权利要求15所述的系统,其特征在于,所述降级状况评估第一制作过程与第二制作过程中的一组特征之间的差异。
17.如权利要求15所述的系统,其特征在于,降级状况包括单个数字值,所述数字值评估两个N元组向量之间的距离,其中每一向量中的每一元组是观察到的数据的计算得到的度量,并且N是正整数。
18.如权利要求17所述的系统,其特征在于,所述数字正整数值是欧几里得距离。
19.如权利要求17所述的系统,其特征在于,所述数字值是余弦相似性度量。
20.如权利要求1所述的系统,其特征在于,产品资产包括用于制作产品的过程的至少一部分的制法。
21.如权利要求1所述的系统,其特征在于,产品资产包括与对产品进行的测量相关联的一组观察到的数据。
22.如权利要求21所述的系统,其特征在于,所述观察到的数据包括折射率、吸收系数、发展检查临界尺寸、或最终检查临界尺寸中的至少一个。
23.如权利要求21所述的系统,其特征在于,产品资产还包括所述观察到的数据的一组计算得到的度量。
24.如权利要求23所述的系统,其特征在于,所述一组度量包括均值、标准差值、或均匀度值中的至少一个。
25.如权利要求1所述的系统,其特征在于,产品资产包括至少部分地处理的固态半导体材料。
26.一种用于分发产品资产的方法,所述方法包括:
接收产品资产,
至少部分地基于自主学习系统所生成的知识来处理所述产品资产;以及
分发经处理的产品资产。
27.如权利要求26所述的方法,其特征在于,还包括监视所分发的产品资产。
28.如权利要求26所述的方法,其特征在于,至少部分地基于自主学习系统所生成的知识来处理所述产品资产还包括将所述产品资产打包。
29.如权利要求28所述的方法,其特征在于,将所述产品资产打包包括将数据集加密。
30.如权利要求26所述的方法,其特征在于,至少部分地基于自主学习系统所生成的知识来处理所述产品资产还包括为所述产品资产调度分发时间。
31.一种用于半导体处理的设备,包括:
用于制作产品的装置;
用于优化工具系统的性能的装置;
用于从一组工具接收打包数据的装置;以及
用于生成优化产品的制作的知识的装置。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US12/044,959 US8078552B2 (en) | 2008-03-08 | 2008-03-08 | Autonomous adaptive system and method for improving semiconductor manufacturing quality |
US12/044,959 | 2008-03-08 | ||
PCT/US2009/036149 WO2009114382A1 (en) | 2008-03-08 | 2009-03-05 | Autonomous adaptive semiconductor manufacturing |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102016730A true CN102016730A (zh) | 2011-04-13 |
CN102016730B CN102016730B (zh) | 2014-06-04 |
Family
ID=41054633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200980104562.8A Active CN102016730B (zh) | 2008-03-08 | 2009-03-05 | 自主自适应半导体制造 |
Country Status (6)
Country | Link |
---|---|
US (1) | US8078552B2 (zh) |
JP (1) | JP5405499B2 (zh) |
KR (1) | KR101546556B1 (zh) |
CN (1) | CN102016730B (zh) |
TW (1) | TWI472887B (zh) |
WO (1) | WO2009114382A1 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104040679A (zh) * | 2011-03-28 | 2014-09-10 | 东京毅力科创株式会社 | 自适应配方选择器 |
CN106557815A (zh) * | 2015-09-30 | 2017-04-05 | 发那科株式会社 | 机械学习装置以及电动机用磁化装置 |
CN106557816A (zh) * | 2015-09-30 | 2017-04-05 | 发那科株式会社 | 具备机械学习器以及组装试验器的生产设备 |
CN108334652A (zh) * | 2017-01-20 | 2018-07-27 | 财团法人工业技术研究院 | 机台的预诊断方法及预诊断装置 |
CN109635612A (zh) * | 2018-10-29 | 2019-04-16 | 国网江苏省电力有限公司南京供电分公司 | 一种基于神经网络的二维码识别方法 |
CN111033409A (zh) * | 2017-10-24 | 2020-04-17 | 三菱日立电力系统株式会社 | 成套设备的状态显示装置以及成套设备的状态显示方法 |
TWI706365B (zh) * | 2019-01-14 | 2020-10-01 | 和碩聯合科技股份有限公司 | 模擬管理系統及其運算方法 |
Families Citing this family (64)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8380003B2 (en) * | 2007-11-07 | 2013-02-19 | The Board of Trustees of the Lenard Stanford Junior University | Image reconstruction with incomplete fourier-space magnitude data combined with real-space information |
US8266092B2 (en) | 2008-07-10 | 2012-09-11 | Palo Alto Research Center Incorporated | Methods and systems for target value path identification |
US8145334B2 (en) * | 2008-07-10 | 2012-03-27 | Palo Alto Research Center Incorporated | Methods and systems for active diagnosis through logic-based planning |
US8165705B2 (en) * | 2008-07-10 | 2012-04-24 | Palo Alto Research Center Incorporated | Methods and systems for continuously estimating persistent and intermittent failure probabilities for production resources |
US8219437B2 (en) | 2008-07-10 | 2012-07-10 | Palo Alto Research Center Incorporated | Methods and systems for constructing production plans |
US8359110B2 (en) * | 2009-03-23 | 2013-01-22 | Kuhn Lukas D | Methods and systems for fault diagnosis in observation rich systems |
TWI412906B (zh) * | 2010-04-13 | 2013-10-21 | Univ Nat Cheng Kung | 具有虛擬量測功能的製造執行系統與製造系統 |
TWI571808B (zh) * | 2010-08-02 | 2017-02-21 | 國立清華大學 | 因子分析系統及其分析方法 |
KR101216517B1 (ko) * | 2011-04-01 | 2012-12-31 | 국방과학연구소 | 최적의 네트워크 시뮬레이션 환경 구축 방법 및 그 시스템 |
JP5751115B2 (ja) * | 2011-09-28 | 2015-07-22 | 富士通株式会社 | 試験支援プログラム、試験支援方法および試験支援装置 |
WO2013165372A1 (en) * | 2012-04-30 | 2013-11-07 | Hewlett-Packard Development Company, L.P. | Identifying a change to indicate a degradation within a computing device |
CN102692908A (zh) * | 2012-06-04 | 2012-09-26 | 江南大学 | 无纸化车间质量反馈方法 |
US9265458B2 (en) | 2012-12-04 | 2016-02-23 | Sync-Think, Inc. | Application of smooth pursuit cognitive testing paradigms to clinical drug development |
CN105009005B (zh) | 2013-02-19 | 2018-05-11 | 英派尔科技开发有限公司 | 可编程逻辑电路中硬件加速器镜像的测试与修复 |
US9380976B2 (en) | 2013-03-11 | 2016-07-05 | Sync-Think, Inc. | Optical neuroinformatics |
US20140358830A1 (en) | 2013-05-30 | 2014-12-04 | Synopsys, Inc. | Lithographic hotspot detection using multiple machine learning kernels |
US9463571B2 (en) * | 2013-11-01 | 2016-10-11 | Brian Corporation | Apparatus and methods for online training of robots |
US9396443B2 (en) | 2013-12-05 | 2016-07-19 | Tokyo Electron Limited | System and method for learning and/or optimizing manufacturing processes |
JP2017539075A (ja) | 2014-10-10 | 2017-12-28 | ラム リサーチ コーポレーションLam Research Corporation | 半導体製造機器のモバイル接続性および制御 |
US20160104128A1 (en) * | 2014-10-10 | 2016-04-14 | Lam Research Corporation | Mobile device user interface for supporting service maintenance and tracking activities in semiconductor tool |
USD814488S1 (en) | 2014-10-10 | 2018-04-03 | Lam Research Corporation | Display screen with graphical user interface for supporting service maintenance and tracking activities in semiconductor tool |
USD788134S1 (en) | 2014-10-10 | 2017-05-30 | Lam Research Corporation | Mobile device display screen with graphical user interface for supporting service maintenance and tracking activities in semiconductor tool |
US20160200156A1 (en) * | 2014-11-19 | 2016-07-14 | Mando Corporation | Device and method for estimating tire pressure of vehicle |
TWI547782B (zh) * | 2015-03-16 | 2016-09-01 | 智易科技股份有限公司 | 可擴充式製程系統與實現該系統的方法 |
US10542961B2 (en) | 2015-06-15 | 2020-01-28 | The Research Foundation For The State University Of New York | System and method for infrasonic cardiac monitoring |
US10228678B2 (en) * | 2015-07-22 | 2019-03-12 | Tokyo Electron Limited | Tool failure analysis using space-distorted similarity |
JP6427131B2 (ja) | 2016-03-18 | 2018-11-21 | 株式会社荏原製作所 | 研磨装置および研磨方法 |
EP3246777A1 (de) * | 2016-05-19 | 2017-11-22 | ETM professional control GmbH | System zum steuern und überwachen technischer prozesse und anlagen |
US10565513B2 (en) * | 2016-09-19 | 2020-02-18 | Applied Materials, Inc. | Time-series fault detection, fault classification, and transition analysis using a K-nearest-neighbor and logistic regression approach |
US10283320B2 (en) * | 2016-11-11 | 2019-05-07 | Applied Materials, Inc. | Processing chamber hardware fault detection using spectral radio frequency analysis |
TWI612433B (zh) * | 2016-11-17 | 2018-01-21 | 財團法人工業技術研究院 | 整體式學習預測裝置與方法、以及非暫存電腦可讀的儲存媒介 |
CN110462644A (zh) * | 2017-01-24 | 2019-11-15 | 西门子股份公司 | 用于系统的自动化和控制的认知工程技术的系统和方法 |
CN107092961B (zh) * | 2017-03-23 | 2018-08-28 | 中国科学院计算技术研究所 | 一种基于模式频率统计编码的神经网络处理器及设计方法 |
JP6860406B2 (ja) * | 2017-04-05 | 2021-04-14 | 株式会社荏原製作所 | 半導体製造装置、半導体製造装置の故障予知方法、および半導体製造装置の故障予知プログラム |
US10482000B2 (en) * | 2017-04-24 | 2019-11-19 | Microsoft Technology Licensing, Llc | Machine learned decision guidance for alerts originating from monitoring systems |
US11250376B2 (en) * | 2017-08-07 | 2022-02-15 | Standard Cognition, Corp | Product correlation analysis using deep learning |
US10747210B2 (en) | 2017-09-11 | 2020-08-18 | Lam Research Corporation | System and method for automating user interaction for semiconductor manufacturing equipment |
EP3477173A1 (de) | 2017-10-30 | 2019-05-01 | VAT Holding AG | Erweiterte vakuumprozesssteuerung |
KR102311962B1 (ko) * | 2017-11-03 | 2021-10-13 | 김선중 | 자연 모사 기법을 이용한 솔루션 아이디어 제공 시스템 및 방법 |
DE102017219996A1 (de) * | 2017-11-10 | 2019-05-16 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zur Beschichtungsfehlerminimierung und/oder -behebung bei einer Vielzahl von Fehlertypen bei der Herstellung beschichteter Bauteile |
US11042148B2 (en) | 2017-11-23 | 2021-06-22 | Taiwan Semiconductor Manufacturing Company, Ltd. | System and method for scheduling semiconductor lot to fabrication tool |
US10592726B2 (en) * | 2018-02-08 | 2020-03-17 | Ford Motor Company | Manufacturing part identification using computer vision and machine learning |
JP7074489B2 (ja) | 2018-02-08 | 2022-05-24 | 株式会社Screenホールディングス | データ処理方法、データ処理装置、および、データ処理プログラム |
US10740168B2 (en) * | 2018-03-29 | 2020-08-11 | International Business Machines Corporation | System maintenance using unified cognitive root cause analysis for multiple domains |
DE102018109691A1 (de) * | 2018-04-23 | 2019-10-24 | Isabell Franck UG (haftungsbeschränkt) | Verfahren zur computerunterstützten Fertigungsoptimierung zumindest eines Fertigungsschritts |
US10713769B2 (en) | 2018-06-05 | 2020-07-14 | Kla-Tencor Corp. | Active learning for defect classifier training |
US11366457B1 (en) * | 2018-11-16 | 2022-06-21 | On-Time.Ai, Inc. | Controling operation of machine tools using artificial intelligence |
US11256245B2 (en) * | 2018-12-26 | 2022-02-22 | General Electric Company | Model for predicting distress on a component |
KR102138122B1 (ko) * | 2019-01-09 | 2020-07-27 | 에스케이실트론 주식회사 | 웨이퍼 카세트의 포장 장치 |
US11348813B2 (en) * | 2019-01-31 | 2022-05-31 | Applied Materials, Inc. | Correcting component failures in ion implant semiconductor manufacturing tool |
US10990092B2 (en) | 2019-06-06 | 2021-04-27 | Robert Bosch Gmbh | Test time reduction for manufacturing processes by removing a redundant test |
US11275362B2 (en) * | 2019-06-06 | 2022-03-15 | Robert Bosch Gmbh | Test time reduction for manufacturing processes by substituting a test parameter |
US11822456B2 (en) * | 2019-09-13 | 2023-11-21 | Accenture Global Solutions Limited | Model control platform |
JP2021082126A (ja) * | 2019-11-21 | 2021-05-27 | 三菱重工業株式会社 | 異常検出装置、異常検出方法およびプログラム |
US11797836B1 (en) * | 2019-12-23 | 2023-10-24 | Waymo Llc | Sensor-integrated neural network |
WO2021150099A1 (en) * | 2020-01-21 | 2021-07-29 | Petroliam Nasional Berhad (Petronas) | Equipment spare part inventory optimization methods and systems |
US11960830B2 (en) | 2020-02-03 | 2024-04-16 | International Business Machines Corporation | Exploratory data interface |
KR20220132604A (ko) * | 2020-03-30 | 2022-09-30 | 주식회사 히타치하이테크 | 진단 시스템 |
JP7291666B2 (ja) * | 2020-05-15 | 2023-06-15 | Towa株式会社 | 製造支援システムおよび製造支援方法 |
US11609811B2 (en) * | 2020-08-27 | 2023-03-21 | Microsoft Technology Licensing, Llc | Automatic root cause analysis and prediction for a large dynamic process execution system |
JP2022102821A (ja) * | 2020-12-25 | 2022-07-07 | 東京エレクトロン株式会社 | 情報処理装置、情報処理システム及び部品発注方法 |
CN113878588B (zh) * | 2021-11-12 | 2023-03-31 | 哈尔滨工业大学(深圳) | 面向卡扣式连接的基于触觉反馈的机器人柔顺装配方法 |
JP7200346B1 (ja) | 2021-12-22 | 2023-01-06 | Sppテクノロジーズ株式会社 | プログラム、情報処理方法、情報処理装置及びモデルの生成方法 |
CN117434871B (zh) * | 2023-12-07 | 2024-06-21 | 成都芯极客科技有限公司 | 一种针对实验批次的制程参数动态管理方法 |
Family Cites Families (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US2007200A (en) * | 1931-11-25 | 1935-07-09 | Semet Solvay Eng Corp | Water gas carburetor |
US4916625A (en) * | 1988-09-08 | 1990-04-10 | E. I. Du Pont De Nemours And Company | Inferential time-optimized operation of a fiber producing spinning machine by computerized knowledge based system |
JPH04112204A (ja) * | 1990-09-03 | 1992-04-14 | Agency Of Ind Science & Technol | 制御知識生成装置 |
JPH04123231A (ja) * | 1990-09-14 | 1992-04-23 | Csk Corp | 人工知能における推論制御方式 |
US5519633A (en) * | 1993-03-08 | 1996-05-21 | International Business Machines Corporation | Method and apparatus for the cross-sectional design of multi-layer printed circuit boards |
US5644686A (en) | 1994-04-29 | 1997-07-01 | International Business Machines Corporation | Expert system and method employing hierarchical knowledge base, and interactive multimedia/hypermedia applications |
US5867799A (en) | 1996-04-04 | 1999-02-02 | Lang; Andrew K. | Information system and method for filtering a massive flow of information entities to meet user information classification needs |
US6122397A (en) * | 1997-07-03 | 2000-09-19 | Tri Path Imaging, Inc. | Method and apparatus for maskless semiconductor and liquid crystal display inspection |
US6931644B2 (en) | 2000-12-21 | 2005-08-16 | International Business Machines Corporation | Hierarchical connected graph model for implementation of event management design |
US6965895B2 (en) | 2001-07-16 | 2005-11-15 | Applied Materials, Inc. | Method and apparatus for analyzing manufacturing data |
US7218980B1 (en) | 2001-07-23 | 2007-05-15 | Esilicon Corporation | Prediction based optimization of a semiconductor supply chain using an adaptive real time work-in-progress tracking system |
US7133804B2 (en) | 2002-02-22 | 2006-11-07 | First Data Corporatino | Maintenance request systems and methods |
JP4589108B2 (ja) * | 2002-07-03 | 2010-12-01 | 東京エレクトロン株式会社 | 自動センサのインストール方法および装置 |
IE20030437A1 (en) * | 2003-06-11 | 2004-12-15 | Scient Systems Res Ltd | A method for process control of semiconductor manufacturing equipment |
US7062411B2 (en) | 2003-06-11 | 2006-06-13 | Scientific Systems Research Limited | Method for process control of semiconductor manufacturing equipment |
US20050114829A1 (en) | 2003-10-30 | 2005-05-26 | Microsoft Corporation | Facilitating the process of designing and developing a project |
TWI267012B (en) | 2004-06-03 | 2006-11-21 | Univ Nat Cheng Kung | Quality prognostics system and method for manufacturing processes |
GB0423110D0 (en) * | 2004-10-18 | 2004-11-17 | Manthatron Ip Ltd | Acting on a subject system |
JP4900642B2 (ja) | 2005-02-23 | 2012-03-21 | ソニー株式会社 | 学習制御装置、学習制御方法、およびプログラム |
JP2007018490A (ja) * | 2005-02-23 | 2007-01-25 | Sony Corp | 行動制御装置および行動制御方法、並びに、プログラム |
US7127304B1 (en) | 2005-05-18 | 2006-10-24 | Infineon Technologies Richmond, Lp | System and method to predict the state of a process controller in a semiconductor manufacturing facility |
CN100386702C (zh) * | 2005-06-10 | 2008-05-07 | 同济大学 | 基于信息素的用于半导体生产线的动态调度方法 |
US7937264B2 (en) | 2005-06-30 | 2011-05-03 | Microsoft Corporation | Leveraging unlabeled data with a probabilistic graphical model |
US7359759B2 (en) * | 2005-10-31 | 2008-04-15 | Taiwan Semiconductor Manufacturing Company | Method and system for virtual metrology in semiconductor manufacturing |
US7454312B2 (en) | 2006-03-15 | 2008-11-18 | Applied Materials, Inc. | Tool health information monitoring and tool performance analysis in semiconductor processing |
TWI315054B (en) | 2006-05-10 | 2009-09-21 | Nat Cheng Kung Universit | Method for evaluating reliance level of a virtual metrology system in product manufacturing |
US20070288419A1 (en) | 2006-06-07 | 2007-12-13 | Motorola, Inc. | Method and apparatus for augmenting data and actions with semantic information to facilitate the autonomic operations of components and systems |
US8725667B2 (en) | 2008-03-08 | 2014-05-13 | Tokyo Electron Limited | Method and system for detection of tool performance degradation and mismatch |
DE102008020379A1 (de) | 2008-04-23 | 2009-10-29 | Siemens Aktiengesellschaft | Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems |
-
2008
- 2008-03-08 US US12/044,959 patent/US8078552B2/en active Active
-
2009
- 2009-03-05 CN CN200980104562.8A patent/CN102016730B/zh active Active
- 2009-03-05 WO PCT/US2009/036149 patent/WO2009114382A1/en active Application Filing
- 2009-03-05 KR KR1020107020010A patent/KR101546556B1/ko active IP Right Grant
- 2009-03-05 JP JP2010549876A patent/JP5405499B2/ja active Active
- 2009-03-06 TW TW98107265A patent/TWI472887B/zh active
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104040679A (zh) * | 2011-03-28 | 2014-09-10 | 东京毅力科创株式会社 | 自适应配方选择器 |
CN104040679B (zh) * | 2011-03-28 | 2016-12-07 | 东京毅力科创株式会社 | 自适应配方选择器 |
US10061276B2 (en) | 2015-09-30 | 2018-08-28 | Fanuc Corporation | Machine learning system and magnetizer for motor |
CN106557816A (zh) * | 2015-09-30 | 2017-04-05 | 发那科株式会社 | 具备机械学习器以及组装试验器的生产设备 |
US9934470B2 (en) | 2015-09-30 | 2018-04-03 | Fanuc Corporation | Production equipment including machine learning system and assembly and test unit |
CN106557815A (zh) * | 2015-09-30 | 2017-04-05 | 发那科株式会社 | 机械学习装置以及电动机用磁化装置 |
CN106557816B (zh) * | 2015-09-30 | 2019-02-01 | 发那科株式会社 | 具备机械学习器以及组装试验器的生产设备 |
CN108334652A (zh) * | 2017-01-20 | 2018-07-27 | 财团法人工业技术研究院 | 机台的预诊断方法及预诊断装置 |
US10678232B2 (en) | 2017-01-20 | 2020-06-09 | Industrial Technology Research Institute | Prognostic method and apparatus for a processing apparatus |
CN108334652B (zh) * | 2017-01-20 | 2021-12-31 | 财团法人工业技术研究院 | 机台的预诊断方法及预诊断装置 |
CN111033409A (zh) * | 2017-10-24 | 2020-04-17 | 三菱日立电力系统株式会社 | 成套设备的状态显示装置以及成套设备的状态显示方法 |
CN111033409B (zh) * | 2017-10-24 | 2023-05-02 | 三菱重工业株式会社 | 成套设备的状态显示装置以及成套设备的状态显示方法 |
CN109635612A (zh) * | 2018-10-29 | 2019-04-16 | 国网江苏省电力有限公司南京供电分公司 | 一种基于神经网络的二维码识别方法 |
CN109635612B (zh) * | 2018-10-29 | 2021-11-02 | 国网江苏省电力有限公司南京供电分公司 | 一种基于神经网络的二维码识别方法 |
TWI706365B (zh) * | 2019-01-14 | 2020-10-01 | 和碩聯合科技股份有限公司 | 模擬管理系統及其運算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102016730B (zh) | 2014-06-04 |
JP2011517806A (ja) | 2011-06-16 |
US8078552B2 (en) | 2011-12-13 |
TWI472887B (zh) | 2015-02-11 |
WO2009114382A1 (en) | 2009-09-17 |
KR20110043518A (ko) | 2011-04-27 |
TW200951652A (en) | 2009-12-16 |
KR101546556B1 (ko) | 2015-08-21 |
US20090228408A1 (en) | 2009-09-10 |
JP5405499B2 (ja) | 2014-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102016827B (zh) | 自主的基于生物学的学习工具系统 | |
CN102016730B (zh) | 自主自适应半导体制造 | |
CN102449623A (zh) | 用于检测工具性能降级和失配的方法和系统 | |
US11966840B2 (en) | Deep probabilistic decision machines | |
Wang et al. | Big data driven cycle time parallel prediction for production planning in wafer manufacturing | |
KR101755746B1 (ko) | 반도체 제조 툴을 자기-학습 및 자기-개선하는 방법 및 시스템 | |
Zhu et al. | Industrial big data–based scheduling modeling framework for complex manufacturing system | |
Park et al. | Development of a knowledge-based intelligent decision support system for operational risk management of global supply chains | |
Bakon et al. | Scheduling under uncertainty for Industry 4.0 and 5.0 | |
Oroojlooyjadid et al. | Stock-out prediction in multi-echelon networks | |
Pandhare et al. | Collaborative prognostics for machine fleets using a novel federated baseline learner | |
Lv et al. | An improved lagrange particle swarm optimization algorithm and its application in multiple fault diagnosis | |
Paternina-Arboleda et al. | Simulation-optimization using a reinforcement learning approach | |
Borchers et al. | Comparison of Production Dynamics Prediction Methods to Increase Context Awareness for Industrial Transport Systems | |
Sharma et al. | Industry 4.0 Technologies for Smart Manufacturing: A Systematic Review of Machine Learning Methods for Predictive Maintenance | |
Biller et al. | A Practitioner’s Guide to Digital Twin Development | |
Das et al. | A Review on AI-ML Based Cyber-Physical Systems Security for Industry 4.0 | |
Dalle Pezze | Methodological Advancements in Continual Learning and Industry 4.0 Applications | |
Costa | Continuous Maintenance System for optimal scheduling based on real-time machine monitoring | |
Atol et al. | Optimizing inventory model parameterization using discrete-event simulation and deep neural networks | |
Jiang et al. | Indoor Scene Construction Technology Based on 6G Virtual Simulation and CPS | |
Braghirolli et al. | Improving production and maintenance planning with meta-learning-based failure prediction | |
Egorov et al. | Method of Risk Assessment in Determining the Marketing Strategy of a Textile Company That Processes Chemical Fibers |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |